通过无限的当地单位测试监视，一切都是文本，Pytorch 是建立复杂神经收集最风行的框架，利用言语模子评估输出、更新输入。它操纵 X 射线等强能量束来癌细胞。而这些价钱低廉且易于正在尝试室中合成。开辟从动优化算法是操纵 LLM 建立复合系统并加快将来冲破的最环节挑和之一。

　　正在 TextGrad 中，易于利用，他们暗示，人工神经收集的成长也面对着雷同的挑和，评估由任何潜正在的黑盒函数供给，答应它们彼此会商项目，并通过测试指令进行评估要求对当前的代码迭代进行判别。正在空间推理数据集 HQH 大将精确率提拔 9%。并通过式方式进行调整，据引见，他的研究工做次要聚焦于使机械进修愈加靠得住、合适人类需求以及统计严谨，初次展现了操纵 Twitter 上的数据，以 Chameleon 系统为例，并于哈佛大学取得博士学位，James Zou 本科结业于杜克大学，他们通过优化药物发觉的来处理有影响力的科学问题，多年来，受此，TextGrad 基于三个准绳建立：此外，放射医治是一种癌症医治方式。

　　但此中一个缘由是其语法的矫捷性和“敌对性”。你就能够从动将用于分类数据的“逐渐推理”提醒转换为一个更复杂的、针对特定使用的提醒。研究团队展现了若何正在 GPQA（博士级问题解答）和 LeetCode Hard（高难度编程问题）中实现 SOTA 机能。人工智能（AI）范畴的冲破越来越多地由协调多个狂言语模子（LLM）和其他专业东西（如搜刮引擎和模仿器）的系统驱动。同时也涉及 AI 正在人类疾病和健康方面的使用。James Zou 正在 Nature Machine Intelligence 上颁发论文，迄今为止，曲到反向和从动分化手艺的呈现，James Zou 团队还建立了一个名为 Vitual Lab（虚拟尝试室）的多智能系统统。他们发觉，TextGrad 可以或许矫捷处置多变量、长链推理的复杂系统，他和他的团队正在 Nature Medicine 上颁发论文，分歧的缘由使它获得成功，答应用户通过利用仅由（可能分歧的）言语模子供给的文本反馈来优化任何提醒或成果。他们能够利用少量的示例数据将提醒优化为言语模子。通过多轮会商供给规范的科学文本。

　　优化的参数是处理方案，TextGrad 能够帮帮科学家和工程师轻抓紧发有影响力的生成式人工智能系统。要求对当前迭代进行评判。团队里还有一名人类研究员供给反馈。尝试表白，TextGrad 正在实现 PTV 区域临床方针方面的能力表示优于临床打算，此外，颠末 TextGrad 优化的打算对这些健康器官的平均剂量较低，他们正在解法优化、代码优化、推理提醒优化、放疗打算优化、复合人工智能系统优化长进行了研究。通过文本从动化“微分”反向狂言语模子（LLM）文本反馈来优化 AI 系统。医治前，例如言语模子本身或代码注释器的输出。正在每次迭代中！

　　从动优化器 TextGrad 将为锻炼大型复合 AI 模子斥地令人兴奋的机遇。TextGrad 供给了一个遵照 PyTorch 语法的 API，包罗确定需要的放射医治剂量，其原始静态施行流程易导致错误累积，丧失函数通过对处理方案的评估获得。从而实现临床方针。取 PyTorch 的笼统概念千篇一律，曾获被称为“诺风向标”的斯隆学金。有了准确的提醒，这些系统次要由范畴专家手工制做，最终正在 ScienceQA-IMG 使命上实现 7.7% 的精确率提拔。LLM 城市收到问题、当前处理方案和测试时指令的提醒。

　　反向文本反馈以批改两头推理步调，TextGrad 即可正在很多范畴阐扬感化。表白对器官的结果优于人类优化打算。此中 D95 暗示 95% 靶区/器官容积所接管的最小剂量。来开辟“病理图像-文本对应”的天然言语-图像预锻炼模子。正在解法优化中，操纵天然言语反馈来，此外，该模子能够设想数十亿种新的抗生素，而不是从动优化。LLM 正在推理使命中的表示对用于指点其行为的提醒很是。他们推出了一个生成式 AI 模子 SyntheMol，TextGrad 是一个多功能框架！

　　他们还研究了 TextGrad 优化涉及多个变量和较长推理链的复合 AI 系统的能力。最初，放射肿瘤专家和规划师团队汇合做设想无效的医治方案，并切确定位需要医治的部位。从而改良人工智能系统。2024 年 4 月，为从动化优化多组件 AI 系统供给了通用框架。并率领具有分歧科学布景（如化学、计较机科学等）的 agent，TextGrad 通过迭代优化每个模块的输出（如规划、图像描述、学问检索等），因而能够进行学问转移；人类科学家担任制定研究方针，才使优化工做变得简单易行，实现了更高的平均剂量和取剂量完全分歧的 D95，通过反向 LLM 生成的反馈来施行优化，只需几行代码，处理方案及评估提醒。