在生物科技领域，人工智能的应用正快速推动蛋白质的发现与设计。近日，加州大学伯克利分校（UC Berkeley）与加州理工学院(Caltech)的研究团队联合开发了一种名为 ProteinDT 的新型多模态框架，旨在利用文本描述来辅助蛋白质设计。这一创新方法不仅结合了蛋白质的序列和结构信息，还整合了大量以文本形式存在的生物知识，开启了蛋白质设计的新篇章。ProteinDT 的工作流程分为三个主要步骤。首先，研究团队利用 “对比性语言 - 蛋白质预训练”（ProteinCLAP）方法，将文本描述与蛋白质序列
["UC Berkeley 研究团队开发的语言模型系统接近人类水平预测能力。","系统利用大规模数据和 LM 的快速处理能力自动化关键预测过程。","研究显示系统平均 Brier 分数 0.179，有望提高预测精度和效率。","该研究为将语言模型整合到预测领域提供强有力论据。"]
评估大型语言模型调用函数能力的排行榜
berkeley-nest
首个基于AI反馈强化学习(RLAIF)训练的开源大语言模型，在MT Bench测试中表现优异
%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)
