AI前沿：从推理外推到医疗影像

大语言模型训练方法方面，研究提出E3方法以解决模型在扩展推理时间后性能下降的问题。通过模拟人类多步骤思考链，模型学会生成假设、验证答案并修正错误，显著提升了数学推理任务的表现，并在测试中适应了双倍于训练时的计算量，展示了推理外推技术优化的潜力。
针对存储压缩技术突破，研究提出Lean方法，通过动态计算替代预存储数据，将存储需求压缩至原始数据的5%以下。结合低成本筛选与精确计算，该技术实现了50倍的存储压缩率，同时保持90%以上的检索准确率，推动了高效AI搜索算法在个人设备上的应用。
在检索增强生成系统中，研究聚焦信息冲突分类方法。通过将冲突分为观点对立、信息过时等五类，并针对性调整回应策略，系统能更可靠地处理矛盾信息。例如优先采用最新数据或中立总结争议，提升了问答场景的客观性，尤其在医疗、法律等专业领域具有重要意义。
针对视觉语言模型优化，研究提出苏格拉底式提问策略，通过自生成问题链引导推理。这种方法在不重新训练模型的情况下，使复杂视觉问答任务的准确率提升9%，证明了苏格拉底式提问策略在增强模型深度推理能力上的有效性。
最后，在计算病理学模型研究中，迁移学习技术应用展现了跨器官与疾病类型的泛化能力。预训练模型在癌症特征识别任务中表现优异，尤其适用于数据稀缺场景，为医疗影像分析提供了低成本、高效的解决方案，加速了诊断工具的开发与普及。