本人医学专硕研0，想请各位佬友推荐一下5-6K的轻薄笔记本，谢谢大家^ 7 个帖子 - 6 位参与者 阅读完整话题
无论是claudecode还是claudeweb端都会被flag，实在是没招了问的是医学影像模型一些问题这也能被归为生物安全 用佬的gpt探讨大法不行，哈雷的强制用fable5我私聊问了也不行 真的没招了啊佬 4 个帖子 - 4 位参与者 阅读完整话题
大家不要听 A 处神神叨叨的，整天装神弄鬼。我问了一个医学研究相关的问题，它就帮我 switch 到 opus4.8 了，装的好像自己很厉害一样，他回答了教我这个医学问题，我就能拿来做生化武器毁灭地球一样。 18 个帖子 - 11 位参与者 阅读完整话题
我先来，山东人报考了很一般的二本学校泰山医学院，结果学的是通信工程专业，在泰安还算可以的学校吧，有不懂的也可以问我 不过还是期待大家都能考上更好的学校 10 个帖子 - 7 位参与者 阅读完整话题
背景 本人计算机博士9月入学，研究大方向是医学影像，后续细分方法大概率会偏多模态大模型、agent 相关方向。平时应该主要用于写代码、读论文、处理医学影像数据、跑一些轻量实验，应该是不涉及大规模训练，就算有也还是依赖服务器。 需求 目前打算入手一台 MacBook Pro，暂定配置是 M5，24G+1T。除了日常科研和开发外，后续可能会在本地部署一些较小的多模态模型，比如几B的模型，主要用于推理和简单测试，不确定24G内存是否够用。 主要问题 1.24G内存能否支撑几B级别多模态模型的本地推理？ 2.苹果下半年好像可能会发M6，基础款pro据说模具不变，但性能和散热会有不小优化，要不要等M6？ 14 个帖子 - 7 位参与者 阅读完整话题
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
科研数据做到崩溃，实验，AI改文章，熬夜加班常态，有没有志同道合佬一起分享的。 7 个帖子 - 6 位参与者 阅读完整话题
IT之家 6 月 2 日消息，据央视新闻 2 日（今天）报道，国家卫生健康委办公厅发布关于进一步健全城市社区卫生服务体系提升服务能力的通知，其中提出，加强数智化赋能。探索在城市社区卫生服务机构推广应用 医学人工智能辅助诊断、处方前置审核、语音病历信息自动采集辅助书写 等技术，提高医务人员诊疗效率。 其中还提到，加强基本公共卫生服务、家庭医生服务数智化赋能，提高服务效率和及时性，提高健康管理精准度。合理利用人工智能加强病历、处方、医嘱等辅助审核，提高医学文书管理水平。加强社区卫生服务机构与上级医院数智系统联通和标准统一，促进检查检验结果互认。 据IT之家了解，《通知》提出落实“日常疾病在基层解决”要求，适应城市人口聚集、需求增加趋势，进一步优化资源配置，完善服务功能，提升服务能力。 明确到 2030 年基本实现建制街道社区卫生服务中心全覆盖， 社区卫生服务机构基础设施条件明显改善，数智化服务有序推进，服务能力全面提升，居民对社区卫生服务的信任度和满意度进一步提高，助力全方位、全生命周期保障居民健康。
新型研发机构，助研或工程师岗，上海base，脑机调控动物研究，有意站短。 1 个帖子 - 1 位参与者 阅读完整话题
做为一个医学硕士，最近在把我的知识整理成知识库喂给ai，像要把我的大脑知识蒸馏出来，于是突发奇想，用ai的知识做了一套针对L站各位佬友平时天天对着电脑，脖子酸酸涨涨的解决方法，方法我做的尽量简单，适合大家每天睡前或者午休时间做一下！！ 结合各位佬友的意见，我从我的知识库把图片挖了出来，欢迎各位佬友看图跟练 一、先做呼吸：90/90 靠墙呼吸 这个动作是整套训练的“开关”。 很多程序员长期含胸、耸肩，呼吸会变成“用脖子吸气”：一吸气肩膀就上提，胸锁乳突肌、斜角肌、上斜方肌长期紧张。 我们要先把呼吸从“脖子模式”拉回到“肋骨和腹部模式”。 做法 仰卧，双脚踩墙或放在椅子上 髋和膝大约 90° 腰背自然贴近地面，不要用力压死 鼻子吸气，感觉肋骨向两侧和后侧打开 嘴巴慢慢呼气，像吹气球一样，把气吐干净 呼气时感觉肋骨下降，下巴微收，肩膀放松 剂量 5 次呼吸 × 3 组 每次呼气尽量慢一点，6-8 秒左右。 关键感觉 吸气不是耸肩 呼气时肋骨下沉 后背能轻轻贴地 脖子不参与用力 如果你做完感觉肩颈松了一点，说明方向对了。 （这个动作有点难度，根据文字提示多练） 二、下颌收回：把头拉回身体正上方 头前引的人，不是简单“抬头挺胸”就能解决。很多人一挺胸，反而变成腰椎代偿、脖子后侧更紧。 正确做法是：让下巴水平向后收。 做法 坐姿或靠墙站立 眼睛平视前方 下巴轻轻向后收 想象自己在做“双下巴” 不是低头，也不是仰头 剂量 10 次 × 2 组 每次保持 3 秒。 注意 如果你感觉脖子后面夹得很紧，说明做错了。 正确感觉应该是喉咙深处轻微发力，颈后变长。 （图片是躺着的，改成坐着的就行） 三、门框拉伸：打开胸前，减少圆肩 久坐打字时，胸大肌、胸小肌会长期处于缩短状态，肩膀自然会往前扣。 做法 前臂贴在门框上 肘部略低于肩或与肩同高 身体轻轻向前 感觉胸前被拉开 剂量 每侧 30 秒 × 2 组 注意 不要塌腰 不要耸肩 拉伸感 5/10 就够 不要为了拉得更强，把头往前顶 四、泡沫轴胸椎伸展：别让脖子替胸椎干活 很多人脖子痛，是因为胸椎太僵。 胸椎打不开，抬头、抬手、坐直都会让脖子代偿。 做法 泡沫轴横放在上背部 位置大概在肩胛骨之间 双手扶住后脑 身体轻轻向后伸展 每个位置停 2-3 个呼吸 剂量 60 秒 × 2 组 注意 不要压腰 不要猛仰脖子 重点是上背部打开 没有泡沫轴可以用卷毛巾 五、Wall Slide：让肩胛骨重新学会工作 肩颈酸的人，常见问题是肩胛骨控制差。 该前锯肌、中下斜方肌干的活，全被上斜方肌抢走了。 Wall Slide 可以帮助肩胛重新贴住胸廓，减少耸肩代偿。 做法 背靠墙站立 后脑、上背、臀部尽量贴墙 下巴微收 双臂呈 W 形 慢慢向上滑到 Y 形 再慢慢回到 W 形 剂量 8-10 次 × 2 组 注意 不要耸肩 不要肋骨外翻 不要腰往前拱 手臂贴不到墙没关系，在无痛范围内做 六、墙面 Push-up Plus：激活前锯肌，改善圆肩 这个动作看起来像俯卧撑，但重点不是弯手肘，而是让肩胛骨在胸廓上滑动。 做法 双手撑墙 手与肩同宽 手肘伸直 身体保持直线 肩胛向前推出 再慢慢回收一点 剂量 10 次 × 2 组 注意 手肘不要弯 不要耸肩 不要塌腰 感觉应在腋下后侧、肩胛外侧发力 （没健身基础的佬友可以改成在墙面） 每日 10 分钟流程 顺序 动作 剂量 1 90/90 靠墙呼吸 5 呼吸 × 3 组 2 下颌收回 10 次 × 2 组 3 门框胸大肌拉伸 每侧 30 秒 × 20 个帖子 - 16 位参与者 阅读完整话题
IT之家 5 月 26 日消息，一项针对 250 万篇生物医学论文的核查显示，同行评审研究中的虚假参考文献已演变为系统性问题。2023 年至今，虚假参考文献的出现率飙升至原先的十二倍以上。 哥伦比亚大学及多家机构的研究团队在《柳叶刀》期刊上发布了迄今为止规模最大的生物医学论文引文分析报告。该研究由马克西姆・托帕兹牵头，检索了公共文献库 PubMed Central 中，2023 年 1 月至 2026 年 2 月期间发表的 247 万篇论文。 据IT之家了解，研究人员共核查 9710 万条参考文献，其中 4046 条被判定为伪造，分布在 2810 篇论文中。判定标准为：若参考文献标注的标题，无法在 PubMed、Crossref、OpenAlex、谷歌学术这四大主流数据库中检索到，即认定为伪造文献。 数据变化趋势十分明显。2023 年全年，虚假参考文献的比例基本稳定，每万篇论文中约出现 4 条伪造文献。2024 年年中起，该数值快速攀升：2025 年底升至每万篇 51.3 条，2026 年前七周进一步达到每万篇 56.9 条，相较 2023 年基准值增长超十二倍。 研究团队认为，这一现象与 2022 年末开始普及的 ChatGPT 等大语言模型存在明显关联。由于论文从投稿到发表通常需要 100 至 200 天，人工智能生成内容直到 2024 年年中才开始在 PubMed Central 中大量出现。不过研究人员并未排除其他诱因，包括代写论文产业泛滥、文献索引规则变动等。 这类虚假参考文献隐蔽性极强：内容贴合论文主题、格式规范、署名真实研究者，发表年份也看似合理。在一篇泌尿外科学论文里，抽检的 30 条参考文献中有 18 条为伪造，且全部精准对应细分的外科研究方向。 研究还发现了代写团伙批量操作的痕迹：同一外科期刊的 11 篇论文中出现两名相同作者，涉及 CRISPR 诊断、肠道微生物组等领域，累计存在 15 条虚假参考文献。 本次核查发现，98.4% 问题论文的出版商尚未作出任何处理。综述类论文受影响最为严重，其参考文献伪造率比其他类型论文高出 57%。研究人员表示，这一情况令人担忧， 综述文章往往是临床诊疗指南的制定依据 。一旦指南引用了含虚假参考文献的论文，诊疗决策背后的整套证据链都会受到破坏。 目前科研界虽已开始应对，但举措参差不齐。预印本平台 arXiv 加大了对稿件中大语言模型生成不实内容（包括虚构文献）的惩处力度，违规作者将被禁发一年。而针对 2025 年神经信息处理系统大会（NeurIPS）录用论文的分析显示，即便是顶尖人工智能学术会议，也难以有效甄别伪造引文。 开源自动引文核查系统 CiteAudit 是目前可行的应对手段之一，但相关测试也暴露出，商用大语言模型很难识别自身生成的虚假参考文献问题。 研究团队提出四项改进建议：同行评审前开展自动化参考文献核验、在论文数据库中增设科研诚信元数据、对已发表论文开展回溯筛查，以及在科研诚信数据库中单独设立“虚假参考文献”分类。本次研究过程中，研究人员也使用了 Claude 模型进行代码编写与语法校对。
IT之家 5 月 26 日消息，根据 BBC 当地时间今日报道，皇家医学院学会 (AOMRC) 在向英国政府提交的一份咨询意见中 将社交媒体使用列为与吸烟相同等级的年轻人健康威胁 ，并表示医生在接诊年轻患者时应该例行询问屏幕使用时间和社交媒体使用情况。 英国科学、创新和技术大臣 Liz Kendall 表示，英国必然会对 16 岁以下青少年使用社交媒体采取行动，具体的政策将于 2026 年内公布， 完全禁止使用也是正在考虑的选项之一 。 图源：Pexels IT之家了解到，英国正向广泛群体搜集有关青少年社媒使用的意见，该行动即将结束。AOMRC 在文件中还表示应为医务人员提供指导，帮助他们发现任何不当或不健康的社交媒体和网络内容使用情况。
各位大佬好，我是一个医学领域的毫无代码基础的「折腾爱好者」，以前不懂代码，生信都是硬啃，更别提说开发什么小工具自用了，但是如今感谢这个时代，纯菜鸟也能用codex试着做点小玩意（被Claude伤害过因此不用了），但是随着vibe coding频率越来越高，发现一个plus是不够用了，平时除了处理点医学数据库的东西，还想自己做点小工具啥的，所以想升级一下，现在的困惑是： GPT的5X的额度大约等于几个plus？目前有土区和美区的Apple ID，价格上看土区一个plus是大概 75 RMB，美区一个5X大约是 680 RMB，数字上大概是十个？实际使用上有没有大佬有真实体感，感觉是不是差了十倍？暂不考虑中转站的话，各位大佬推荐什么方案？谢谢您的回复！ 2 个帖子 - 2 位参与者 阅读完整话题
我平时做医学和生命科学用AI工具，主要是查询文献，课题的背景调研，构建课题思路，带教师弟师妹，科研论文撰写。现在用Hermes，但是很多佬们的中转站不允许调用在虾和马。我觉得我的需求很简单，请问佬们用什么科研工具好呢？ 另外我还希望这个AI工具可以有历史对话查询和调用飞书或者WPS CLI的功能。求佬们推荐！ 4 个帖子 - 4 位参与者 阅读完整话题
最近打算做一个身体健康检测APP，佬们有什么了解的医学方向比较合适的VL模型推荐吗 1 个帖子 - 1 位参与者 阅读完整话题
我今年计算机上岸，完了联系ai方向的导师，现在只联系到一个，是一个刚回国的青椒。老师说他是搞医学大模型的，说是如果我选他的话他会要我。我查了一下，好像医学类的ai很多都发不了好文章，我将来想读博或者进大厂搞算法好像不太行。我是继续找老师还是就选现在这个了，但是我感觉我找不到别的搞ai的导了，现在这个说是达到毕业要求就放实习。就是求一下见多识广的佬友们的意见。 12 个帖子 - 5 位参与者 阅读完整话题