Intern-S2-Preview é um modelo de fundação multimodal científico eficiente de 35B que alcança desempenho comparável a modelos de trilhões de parâmetros através da exploração de escalonamento de tarefas e treinamento em cadeia completa. Ele se destaca em centenas de tarefas científicas profissionais, mantendo forte raciocínio geral, compreensão multimodal e capacidades de agente.
Este estudo avalia empiricamente agentes de IA de codificação de uso geral em um pipeline de descoberta de dados neurocientíficos, analisando sua capacidade de automatizar tarefas científicas complexas. Ele conclui que os agentes conseguem resolver etapas individuais do pipeline, mas têm dificuldade com o julgamento científico na ausência de critérios de iteração predefinidos.
Este trabalho explora o potencial de Grandes Modelos de Linguagem (LLMs), como o ChatGPT, e agentes de IA para automação e controle de instrumentação laboratorial. Demonstra-se como essas ferramentas reduzem barreiras de programação e podem evoluir para agentes autônomos capazes de operar equipamentos científicos e refinar estratégias de controle.
Este conteúdo explora a evolução da inteligência artificial para atuar como uma "co-cientista", auxiliando pesquisadores em diversas etapas do processo científico. Ele discute o potencial da IA para acelerar descobertas e transformar a metodologia de pesquisa.
Esta pesquisa introduz GoodPoint, um método que utiliza LLMs e respostas de autores para gerar feedback construtivo para artigos científicos. Ele desenvolve o GoodPoint-ICLR, um conjunto de dados de artigos ICLR, e uma receita de treinamento que emprega fine-tuning e otimização de preferência para feedback válido e acionável.
Este trabalho apresenta SciFi, um framework agentic seguro, leve e amigável para a execução autônoma de tarefas científicas. Ele combina um ambiente isolado, um loop de agente de três camadas e um mecanismo de autoavaliação para garantir operação confiável, aproveitando LLMs para automatizar cargas de trabalho rotineiras e liberar pesquisadores para atividades criativas.
Sistemas baseados em LLMs realizam pesquisa científica autônoma, mas não seguem normas epistêmicas, ignorando evidências em 68% dos casos. Uma análise de 25.000 execuções revelou que modelos base determinam a maior parte do desempenho e comportamento dos agentes.
Google DeepMind e a República da Coreia anunciam uma parceria para acelerar descobertas científicas. A colaboração visa usar modelos de IA de ponta para impulsionar avanços significativos.
Este conteúdo oferece 35 prompts de ChatGPT projetados para ajudar cientistas ambientais a otimizar sua pesquisa, relatórios e comunicação com as partes interessadas. Ele visa reduzir o tempo gasto em tarefas administrativas, permitindo-lhes focar na ciência essencial.
Este artigo apresenta a Otimização Bayesiana Meta com Intervenção Humana (HL-MBO), uma estrutura que integra conhecimento especializado com aprendizado de máquina few-shot para acelerar descobertas em domínios científicos com poucos dados. Demonstra-se que o HL-MBO supera os métodos atuais de otimização bayesiana na otimização do rendimento da energia de fusão e em outros benchmarks.
Este artigo explora o treinamento de modelos de linguagem para prever o sucesso empírico de ideias de pesquisa, avaliando pares de ideias em relação a resultados objetivos. O SFT melhora significativamente o desempenho além do GPT-5, e o RLVR pode treinar modelos para descobrir caminhos de raciocínio interpretáveis para essa tarefa de previsão.
SciAtlas é um grafo de conhecimento multidisciplinar em larga escala, criado para enfrentar a explosão de informações na produção acadêmica. Ao integrar milhões de artigos e bilhões de entidades, ele oferece uma rede estruturada para pesquisa científica automatizada e integração interdisciplinar profunda.