我现在是研一，手上的这篇工作可能到七月份才能搞完，老板的意思是让我投IJCV，他觉得IJCV相对稳一点。7月份还有个AAAI，老板觉得会议的随机性太强了（众所周知会议纯抽奖），而且他说IJCV可能11月的样子能出一轮结果，AAAI也差不多11月，他觉得时间差不多。想问问佬友们，我该怎么选，我不想读博，我想快点搞完中论文之后就自己学点技术找实习，求佬友们给点建议 24 个帖子 - 12 位参与者 阅读完整话题
有没有大佬可以分享点什么技巧呢 想发期刊性质的 5 个帖子 - 5 位参与者 阅读完整话题
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 期刊选好了，选刊是一件非常头疼的事情。 交给大模型，轻则信息不全，重则胡编乱造。 所以我开发了一个 letpub-skills 调用 letpub 获取期刊详情、评论等信息对期刊进行综合评估。 主要功能有 ： 查询期刊详情、分析期刊、推荐投稿期刊 使用示例有 ： 使用letpub-skills综合分析一下 LANGMUIR这个期刊 读取我的摘要 结合我列出的期刊 再给我推荐一些期刊 1 个帖子 - 1 位参与者 阅读完整话题
前一版流程见这里： 记一次使用agent在一小时内完整调研上百篇文献的工作流 本文记录的是后续工程化改造。 项目背景是 1999-2025 年共 28 期完整英文技术期刊，文章总量在百篇级。目标不是简单翻译全文，而是围绕某一长期主题建立索引、筛选相关文章、拆分文章级摘录，并继续做翻译和横向梳理。 第一版流程已经能跑通，但后续暴露出两个主要问题： MinerU 本机运行慢，环境依赖重，Windows 下还会遇到编码、路径和依赖问题。 翻译阶段任务量大，长文需要分块，源文件更新后还要能定向重跑，不能靠人工记忆维护状态。 这次改造主要解决这两点。 MinerU 改为 MCP 调用 原先做法是本机直接调用 MinerU。这个方式适合单次测试，但不适合长期批处理。 主要问题有三个： 本机环境重，依赖变动后排查成本高。 转换耗时较长，中途异常后不容易判断是真失败，还是 Markdown 和图片已经生成。 Windows stdout 编码问题会干扰错误判断。 现在改为全局 mineru MCP，项目内只保留一层桥接脚本： global mineru MCP -> .codex/scripts/mineru_mcp_client.py -> output/<issue>/<issue>.md -> output/<issue>/images/ 桥接脚本的职责比较固定： 从全局 Codex MCP 配置读取 mineru server； 调用 parse_documents ； 强制 UTF-8 环境； 统一返回 extract_path 和 images_dir ； 如果 MCP 没有干净退出，但 Markdown 和 images 已经落盘，则按 fallback_success 处理。 这样 MinerU 不再散落在各个 workflow 里，而是变成一个统一的 PDF → Markdown 服务入口。 示例入口： python .\.codex\scripts\mineru_mcp_client.py ` --source ".\input.pdf" ` --output-dir ".\output\issue-name" ` --language en ` --enable-ocr 期刊批量转换则通过更上层的管理脚本执行： powershell -ExecutionPolicy Bypass -File .\.codex\scripts\run-issue-mineru.ps1 -FromVol 49 -Progress 这层只负责选择任务、跳过已有 Markdown、是否覆盖旧输出，实际转换仍然走 MCP 桥接脚本。 Runner 改造 早期流程接近 hooks 模式：agent 开始时写状态，结束时收集输出并推进进度。 后来改成普通 runner。原因很简单：Windows 下 hooks 不稳定，而且复杂任务只靠 start/stop 两个事件不够。 当前 runner 的基本生命周期是： read progress.json -> select next unit -> write active-run.json -> create runs/<workflow>/<timestamp-id>/ -> write prompt.txt -> codex exec -> validate output -> finalize official output -> update progress.json -> clear active-run.json 几个状态文件分工如下： progress.json 业务队列和完成状态 active-run.json 当前锁，防止并发写入 runs/... 单次运行审计目录 progress.md 人类可读的流水日志 每次运行至少保留： prompt.txt stdout.txt stderr.txt last-message.md metadata.json 这样中断后可以明确回答几个问题： 当前跑到哪个 unit； child process 是否真的完成； 输出是否通过校验； finalize 是否写入正式产物； progress 是否推进； 是否可以 repair 或定向重跑。 通用命令保留为固定形态： node .codex/runner/exec.mjs <workflow> --status node .codex/runner/exec.mjs <workflow> --dry-run node .codex/runner/exec.mjs <workflow> --once node .codex/runner/watch.mjs <workflow> --once node .codex/runner/exec.mjs <workflow> --repair 实际使用时，一般先 --dry-run 看下一个任务，再 --once 验证一次完整链路，最后才批量跑。 翻译 Workflow 翻译阶段是这套 runner 的主要压力测试。 长文不能直接整篇塞进一个 codex exec ，所以按 Markdown 结构切分： article.md -> chunk01.md -> chunk02.md -> chunk03.md 每个 chunk 单独作为一个 unit： chunk01.md -> codex exec -> chunk01.zh-CN.md chunk02.md -> codex exec -> chunk02.zh-CN.md chunk03.md -> codex exec -> chunk03.zh-CN.md 全部 chunk 完成后，再合并为正式中文稿： chunk*.zh-CN.md -> article.zh-CN.md 这里重点不是“切块”，而是状态判断。 之前遇到过一个问题：源 Markdown 已经更新，但旧中文稿还在。如果 runner 只判断“译文文件是否存在”，就会把旧译文误判为已完成。 现在的规则改成： 先比较 sourceHash 再判断旧输出是否可复用 也就是说，输入指纹变化优先于输出存在性。 如果源文变了，对应 unit 会重新进入 pending。只有该 unit 自己成功 finalize 后，才更新它的 last successful sourceHash。 这个规则解决了三类问题： 源文更新后旧译文挡住新任务； chunk 边界变化后旧 chunk 被错误复用； 某个 unit 完成时误清理其他 unit 的重跑状态。 定向重跑也固定成三步： node .codex/runner/exec.mjs component-translate --dry-run node .codex/runner/exec.mjs component-translate --once node .codex/runner/exec.mjs component-translate 先确认目标范围，再验证一个前台 unit，最后跑完整队列。 当前状态 当前项目状态如下： 主期刊处理：28/28 completed 文章级/分块翻译：161/161 translated 基础文献翻译：37 translated + 2 skipped_existing_cn 专题来源翻译：54/54 translated 这些数字来自状态文件和 watcher 输出，不依赖对话上下文。 对应状态入口包括： output/progress.json output/timeline-progress.json translation-progress.json runner watch output 结论 这次改造的核心不是 prompt，而是控制面。 对批量文献任务来说，agent 只应该处理当前最小单元。其余状态必须外置： 队列状态； 当前锁； 输入指纹； 失败记录； 正式输出； 单次运行审计目录。 MinerU MCP 解决输入转换的一致性问题。 Runner 解决批量任务的恢复、监控和重跑问题。 翻译 workflow 则验证了长文分块、输入变更检测和正式产物合并是否可靠。 这套结构跑起来之后，后续扩展新的文献队列或新的处理阶段，主要工作就变成新增 workflow adapter，而不是重新设计整条流水线。 1 个帖子 - 1 位参与者 阅读完整话题
最好支持编辑的，ai味道不要太浓，目标是投稿一个期刊 2 个帖子 - 2 位参与者 阅读完整话题
IT之家 4 月 17 日消息，美国医学会旗下期刊 JAMA Network Open 发文，透露业界现有的大型语言模型（LLMs）在临床推理方面仍存在明显短板，尤其是在早期的鉴别诊断阶段，错误率普遍超过 80%。 IT之家参考论文获悉，研究团队利用 29 个标准化临床案例对 GPT-5、Claude 4.5 Opus、Gemini 3、Grok 4 等 21 款主流大模型进行评测，模拟完整医疗决策流程，覆盖鉴别诊断、检查选择、最终诊断、治疗管理及其他临床推理五个阶段。 结果显示，各大模型整体表现存在一定差异，同时在不同诊疗阶段呈现出明显不均衡。具体来看，AI 在“最终诊断”和“治疗管理”环节的准确率相对较高，“检查选择”和其他推理能力处于中等水平， 而在最早期的“鉴别诊断”阶段表现最差，错误率普遍超过 80% ，也就是模型通常会误判病人的具体疾病。 进一步分析认为，AI 更擅长在信息相对完整的情况下给出答案，但在信息不足、需要逐步推理的早期阶段， 往往容易过早收敛到单一结论，导致当前 AI 难以直接应用于临床决策 。相比之下，临床医生通常会在初期保留多种可能性，并随着检查结果和信息积累不断修正判断，最终定论患者的具体疾病。
5月13日，阿里健康在杭正式发布医学AI“氢离子”，同时宣布氢离子与英国BMJ集团（BMJ Group）达成期刊内容独家合作。BMJ集团旗下70本医学期刊过往十年里发表的内容和多媒体资源将独家授权提供给“氢离子”，氢离子成为BMJ集团在中国独家合作的医学AI平台。中国医生可以通过氢离子直连全球顶级医学文献，进行循证问答、全文阅读、在线翻译，解决临床与科研过程中的医学问题。此外，氢离子透露，目前正与全球多家顶刊进行合作沟通。