在生物科技領域，人工智能的應用正快速推動蛋白質的發現與設計。近日，加州大學伯克利分校（UC Berkeley）與加州理工學院(Caltech)的研究團隊聯合開發了一種名爲 ProteinDT 的新型多模態框架，旨在利用文本描述來輔助蛋白質設計。這一創新方法不僅結合了蛋白質的序列和結構信息，還整合了大量以文本形式存在的生物知識，開啓了蛋白質設計的新篇章。ProteinDT 的工作流程分爲三個主要步驟。首先，研究團隊利用 “對比性語言 - 蛋白質預訓練”（ProteinCLAP）方法，將文本描述與蛋白質序列
["UC Berkeley 研究團隊開發的語言模型系統接近人類水平預測能力。","系統利用大規模數據和 LM 的快速處理能力自動化關鍵預測過程。","研究顯示系統平均 Brier 分數 0.179，有望提高預測精度和效率。","該研究爲將語言模型整合到預測領域提供強有力論據。"]
評估大型語言模型調用函數能力的排行榜
berkeley-nest
首個基於AI反饋強化學習(RLAIF)訓練的開源大語言模型，在MT Bench測試中表現優異
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
