LLM

Исследователи представили ToxCastLite — инновационную систему для портативного анализа данных вычислительной токсикологии, решающую проблему огромного объема базы данных ToxCast (около 100 ГБ). Система объединяет облегченные профили SQLite с семантическим RDF-слоем, что позволяет сократить объем данных до 3 ГБ при сохранении возможности глубокого анализа. Методология включает интеграцию данных о биоактивности in vitro, токсичности in vivo (из ToxRefDB) и контекста использования химикатов (из CPDat) через единые идентификаторы DSSTox. Ключевой особенностью является использование прототипа на Streamlit с локальной большой языковой моделью (LLM), которая преобразует естественные вопросы пользователей в SPARQL-запросы, минимизируя риск галлюцинаций благодаря версионной схеме RDF. В ходе тестирования на кейсах нейротоксичности развития (DNT) система успешно выявила соответствия между результатами in vitro и данными in vivo, а также помогла приоритизировать химические вещества на пересечении сигналов NAM, доказательств ToxRefDB и данных о продуктах. Это решение значительно упрощает кросс-доменный поиск доказательств для экспертов, позволяя переходить от семантических запросов к детальным кривым «концентрация-ответ» без написания сложного кода.

Исследование оценивает способность GPT-4 автоматически определять клиническую тяжесть фенотипических аномалий в базе HPO по девяти критериям. Результаты показали высокую точность (recall 89-100%), что позволяет использовать LLM для масштабной автоматизированной курации медицинских данных и приоритизации терапевтических целей.

Исследование представляет TacroDose AI — систему на базе GPT-4, предназначенную для генерации рекомендаций по дозированию такролимуса в соответствии с клиническими протоколами. Использование уточненных промптов позволило повысить точность соблюдения протокола до 91,7% и значительно снизить количество критических ошибок.

Аналитики платформы retext.ai провели масштабное исследование академической честности, используя собственный инструмент на базе искусственного интеллекта для детекции сгенерированного контента. В ходе исследования было проанализировано около 13 000 выпускных квалификационных работ, защищенных в текущем учебном году. Результаты показали тревожную тенденцию: примерно 50% текстового материала в дипломных проектах создано с помощью больших языковых моделей (LLM). Исследование демонстрирует стремительный рост использования генеративного ИИ в образовательной среде и сложность верификации авторства текстов. Данная работа подчеркивает необходимость внедрения более совершенных систем контроля и изменения подходов к оценке академических достижений в эпоху доступных нейросетей.

Представлен VX — инновационное программное обеспечение для визуализации данных высокопроизводительного секвенирования, разработанное на языке D с использованием GTK3 и OpenGL. Ключевой особенностью VX является его архитектура, ориентированная на взаимодействие с современными ИИ-агентами и большими языковыми моделями (LLM). В отличие от традиционных браузеров генома, VX предоставляет встроенный HTTP API и сервер протокола Model Context Protocol (MCP), объединяющий 39 инструментов для управления данными, навигации и запуска анализа. Программа поддерживает унифицированный интерфейс для геномных и транскриптомных данных, включая специфические форматы рибосомного профилирования и прямого секвенирования РНК. Интегрированная аналитическая среда включает более 50 функций, таких как поиск пиков, количественный анализ, анализ вариантов и статистика выравнивания. VX позволяет ИИ-агентам не просто анализировать текст, но и управлять визуальным состоянием браузера, что устраняет текущий барьер между биоинформатическими алгоритмами и графическими интерфейсами.

Исследование оценивает уровень знаний и отношение хирургов, студентов и ординаторов к использованию ИИ и ChatGPT в медицинской практике. Результаты показывают, что молодые специалисты более открыты к внедрению ИИ, особенно в планировании операций и диагностике, несмотря на нехватку формального обучения.

Исследование посвящено критической проблеме безопасности при использовании ИИ-ассистентов (ambient scribing) для транскрибации и создания медицинских записей. Авторы проанализировали, как большие языковые модели (LLM) обрабатывают разговоры между врачом и пациентом, фокусируясь на риске несанкционированного включения персональных данных третьих лиц в итоговые клинические заметки. В ходе экспериментов тестировались модели LLaMA 3.1 (8B и 70B), Mixtral 8×7B, 8×22B, а также проприетарные модели Claude 3.5 Haiku и Sonnet. Результаты показали, что все протестированные модели допускали утечки конфиденциальной информации третьих лиц, даже если они правильно идентифицировали её как неприемлемую для записи. Использование специальных инструкций по приватности снизило частоту утечек, но не обеспечило полной защиты. Исследование подчеркивает необходимость разработки систем с принципом «privacy-by-design» и разделения процессов генерации текста и редактирования конфиденциальных данных для минимизации рисков в реальной клинической практике.

В статье исследуется инновационный подход к оценке качества больших языковых моделей (LLM) в медицине с использованием методов компьютерного адаптивного тестирования (CAT). Традиционные методы бенчмаркинга требуют огромных вычислительных ресурсов и затрат, тогдая предложенная методология позволяет значительно оптимизировать процесс проверки медицинских знаний ИИ. Исследование фокусируется на том, как алгоритмы адаптивного тестирования могут динамически подбирать сложность вопросов в зависимости от ответов модели, что сокращает количество необходимых тестов без потери точности оценки. Основной результат заключается в возможности достижения сопоставимой точности оценки при существенно меньших затратах на токены и время. Данный подход имеет критическое значение для быстрой итерации медицинских ИИ-систем и их регулярного аудита на соответствие клиническим стандартам. Внедрение CAT в процесс валидации LLM может стать новым стандартом в индустрии разработки медицинского искусственного интеллекта.

В статье представлен elab2ARC — инновационный браузерный инструмент, предназначенный для автоматизации процесса преобразования записей из электронных лабораторных журналов (ELN) в стандартизированные исследовательские объекты. Основная проблема, которую решает разработка, заключается в низкой машиночитаемости форматов ELN, что требует от ученых значительных трудозатрат на ручную переработку данных для публикаций. Система использует API платформы eLabFTW для извлечения метаданных, протоколов и вложений, организуя их в таблицы, соответствующие стандарту ISA (Investigation, Study, Assay). Важной особенностью является внедрение опционального рабочего процесса с использованием больших языковых моделей (LLM) для извлечения структурированных метаданных из неструктурированного свободного текста протоколов. Все вычисления происходят на стороне клиента, что гарантирует полный контроль пользователя над данными перед их отправкой в репозиторий PLANTdataHUB. Инструмент позволяет интегрировать принципы FAIR (находимость, доступность, совместимость и повторное использование) в повседневную лабораторную практику без нарушения текущих рабочих процессов. Это обеспечивает эффективный путь к долгосрочному архивированию и публикации результатов биомедицинских исследований.

Системный интегратор «Платформикс» реализовал проект по созданию специализированного высокопроизводительного вычислительного кластера для нужд компании «Северсталь». Данная инфраструктура предназначена для развертывания и эффективного обучения моделей генеративного искусственного интеллекта внутри корпоративного контура заказчика. В рамках проекта была спроектирована сложная архитектура, учитывающая высокие требования к пропускной способности сети и вычислительной мощности GPU. Внедрение собственного кластера позволяет «Северстали» ускорить процессы разработки ИИ-решений и обеспечить безопасность данных при работе с LLM. Использование подобных мощностей критически важно для автоматизации сложных производственных процессов и оптимизации управления ресурсами через ИИ. Проект демонстрирует переход крупных промышленных игроков к созданию собственной суверенной ИИ-инфраструктуры.

Российская ИТ-компания «Салют для бизнеса» (входящая в экосистему Сбера) совместно с крупными игроками, такими как «ФосАгро» и Global ERP, инициирует масштабное внедрение технологий генеративного искусственного интеллекта в промышленный сектор. Основная цель проекта заключается в интеграции продвинутых LLM-моделей в корпоративные платформы для оптимизации бизнес-процессов и повышения операционной эффективности предприятий. В рамках инициативы планируется использование ИИ для автоматизации обработки документации, поддержки принятия управленческих решений и улучшения взаимодействия с сотрудниками через интеллектуальных ассистентов. Проект ориентирован на создание адаптивных систем, способных работать с отраслевой спецификой крупных промышленных холдингов. Реализация данных технологий позволит сократить временные затраты на рутинные операции и повысить точность анализа больших массивов корпоративных данных. Это важный шаг в цифровой трансформации российского промышленного сектора с использованием отечественных ИИ-решений.

Системный интегратор «Платформикс» завершил проект по созданию специализированной высокопроизводительной инфраструктуры для компании «Северсталь». Основная цель проекта — развертывание физического вычислительного кластера, оптимизированного для работы с большими языковыми моделями (LLM) и генеративным искусственным интеллектом. Разработанная архитектура обеспечивает необходимые вычислительные мощности для интеграции ИИ-инструментов непосредственно в производственные и бизнес-процессы металлургического гиганта. Создание такой технологической базы позволяет компании масштабировать использование нейросетевых решений внутри собственного контура, обеспечивая высокую скорость обработки данных. Проект закладывает фундамент для цифровой трансформации предприятия через внедрение продвинутых алгоритмов машинного обучения. Данное решение подчеркивает растущий тренд на создание локальной инфраструктуры для поддержки тяжелых ИИ-нагрузок в крупном промышленном секторе.

Медицинская система Hartford HealthCare совместно с технологической компанией K Health представила инновационный инструмент PatientGPT, предназначенный для улучшения взаимодействия пациентов с медицинской информацией. Данный сервис на базе искусственного интеллекта позволяет пользователям задавать сложные вопросы о своем здоровье, получать разъяснения по медицинским терминам и, что особенно важно, выявлять потенциальные взаимодействия между лекарственными препаратами. На текущем этапе внедрение технологии ограничено пилотным запуском для определенной группы взрослых пациентов внутри системы Hartford HealthCare. Инструмент призван снизить когнитивную нагрузку на пациентов и предоставить им более персонализированный и доступный доступ к знаниям в режиме реального времени. Использование LLM (больших языковых моделей) в данном контексте демонстрирует переход от классических справочников к интерактивным ИИ-ассистентам в рамках первичного звена здравоохранения.

Исследование посвящено проверке возможности использования бесплатных локальных моделей с открытыми весами для выполнения роли «агентов» в биомедицинских лабораториях. Авторы решают проблему высокой стоимости использования передовых моделей (frontier models) при выполнении рутинных задач анализа данных. В методологии исследования использовалась модель Claude Opus для создания детальных планов по поиску вариантов (variant calling), которые затем выполнялись шестью новейшими открытыми моделями 2026 года выпуска. Результаты показали, что модель qwen3.6:27b полностью воспроизвела точность передовых моделей на каждом этапе и показала идентичные результаты с Opus в матрице ошибок из 36 ячеек. Важным практическим выводом является то, что для работы таких агентных систем достаточно оборудования стоимостью менее 2000 долларов, например, Jetson или Mac Mini. Исследователи предоставили открытый фреймворк, включая планы, код для оценки и артефакты, что позволяет лабораториям самостоятельно тестировать новые модели по мере их выхода.

Исследование посвящено фундаментальной проблеме создания искусственной агентности через внедрение термодинамических ограничений в большие языковые модели (LLM). Авторы предлагают метаболическую модель, где генерация токенов ограничена конечным энергетическим бюджетом, имитирующим биологическую потребность в самосохранении. В ходе экспериментов на базе модели Qwen2.5-1.5B было установлено, что наличие интероцептивной обратной связи позволяет модели поддерживать функциональную самограничность и продлевать «выживание» с 20 до более чем 31 шага. Важным результатом стало обнаружение того, что временная структура шума влияет на устойчивость системы сильнее, чем его амплитуда (OU-шум показал 20.5 шагов против 8.6 у белого шума). Также выявлен порог сжатия на уровне ~3.2 нат и доказано, что обратная связь помогает модели поддерживать экономию ресурсов, снижая наклон зависимости вариационной свободной энергии от затраченной энергии. Работа закладывает теоретический фундамент для разработки ИИ-агентов, чье поведение продиктовано стремлением к минимизации энергетических потерь, подобно живым организмам.

В статье представлен EPPCMinerBen — инновационный набор метрик и стандартов (бенчмарк), разработанный специально для тестирования возможностей больших языковых моделей (LLM) в контексте цифрового взаимодействия пациентов и медицинских работников. Исследование фокусируется на анализе коммуникации, происходящей через порталы пациентов, что является критически важным аспектом современной телемедицины. Авторы предлагают методологию оценки того, насколько точно ИИ может интерпретировать запросы пациентов и генерировать адекватные, клинически безопасные ответы. В работе подчеркивается необходимость создания специализированных инструментов оценки, так как стандартные NLP-метрики не учитывают специфику медицинского контекста и этические аспекты общения. Использование данного бенчмарка позволит разработчикам ИИ-решений минимизировать риски неверной интерпретации симптомов и повысить качество автоматизированной поддержки в здравоохранении. Результаты исследования закладывают фундамент для внедрения более надежных LLM-ассистентов в клиническую практику через электронные медицинские системы.

В статье, опубликованной в журнале npj Digital Medicine, предлагается инновационный подход к контролю за использованием больших языковых моделей (LLM) в здравоохранении — мониторинг на основе способностей (capability-based monitoring). Авторы подчеркивают, что текущие стратегии надзора неэффективны, так как LLM являются универсальными системами, чьи внутренние возможности многократно используются в различных медицинских задачах. Вместо проверки каждой отдельной задачи, предлагается организовать мониторинг вокруг общих когнитивных и функциональных способностей моделей. Это позволит выявлять системные недостатки, редкие ошибки («long-tail errors») и эмерджентное поведение на ранних стадиях. В работе детально рассматриваются рекомендации для разработчиков ИИ, руководителей медицинских организаций, профессиональных сообществ и государственных регуляторов. Такой подход критически важен для обеспечения безопасности и надежности внедрения генеративного ИИ в клиническую практику.

Исследование сравнивает точность и надежность моделей Claude, Gemini и GPT при оценке риска систематической ошибки в нерандомизированных исследованиях. Результаты показали, что Gemini демонстрирует наиболее сбалансированную точность, однако на текущий момент готовые LLM не могут надежно заменять экспертов при использовании инструмента ROBINS-I.

Исследование анализирует использование диалогов с чат-ботами как нового источника данных для мониторинга общественных настроений и дезинформации о вакцинах. С помощью BERTopic и GPT-4o ученые классифицировали более 30 000 сообщений, выявив основные темы и эмоциональный тон пользователей.