搜索
OpenAI正式发布生命科学AI工作台Rosalind Workbench，基于GPT-Rosalind推理模型集成至Codex，内置分子结构、序列比对、病理切片三个可视化查看器及NGS分析模块，接入Boltz等外部专业插件，目前以研究预览形式向机构开放。
这是前OpenAI推理模型一号位Jerry Tworek抛出的最新暴论。他2019年进的OpenAI，一待就是七年。当年强化学习死活scale不动，是他死死咬住不放硬推上去的，o1和o3这两代大杀器都是他亲自带队砸出来的。
OpenAI内部最新推理模型，一口气发布了十项惊人的数学进展。
最近，世界人工智能大会上，中科闻歌磐石 ScienceOne 团队一口气亮出两张王牌：专攻科学场景下深入理解、预测与生成的科学多模态统一推理模型 —— S1-Omni；以 S1-Omni 为基座、贯穿整个科研生命周期的智能化服务平台 —— ScienceOne。
哈佛大学、南加州大学、布朗大学、MIT 等多个机构的研究者联合做了一项系统性研究，给出了否定的答案，并举例到「当我们发现大模型的思考链可被用于生成炸弹装置或投毒配方等高风险内容时，便意识到这一问题非同小可」。
当所有人都在比谁「想得更久、算得更多」——推理模型动辄输出成千上万个思考 token，循环式架构恨不得在内部反复迭代十遍八遍——一项新研究反手泼了盆冷水：
过去一年，AI 推理模型的使用成本让不少开发者叫苦。
现在，图灵奖得主 Yoshua Bengio 给出了一份全新的并行方案。他们提出了 GRAM（Generative Recursive reAsoning Models，生成式递归推理模型），把确定性的递归潜在推理变成了概率性的多轨迹计算。模型在潜在空间中进行随机递归推理，每一步都可以采样不同的方向，最终形成对解空间的多路径探索。
随着 o1/R1 等推理模型的发展 [1][2]，「让模型多想一会儿」几乎成了提升复杂推理能力的标准方案。更长的 Chain-of-Thought、更大的测试时计算、更深的内部推理，都在用更多计算换取更可靠的答案。
针对这一问题，上海人工智能实验室、复旦大学、上海交通大学团队提出了Thoth：一个面向生物实验protocol生成的科学推理模型。一句话概括：Thoth不是让模型“写得像protocol”，而是让模型按照实验逻辑，生成可解析、可评估、可执行的protocol。