2026. július 11., szombat · Kutatás

Egészségügyi rendszerek klinikai adatain tanított általános neuroimaging AI-modellt mutat be a Nature Medicine

A Nature Medicine-ben megjelent kutatás szerint a nyilvános internetes adatokon tanított nagy nyelvi modellek alulteljesítenek neuroimaging feladatokon, mivel a klinikai képalkotó adatok alulreprezentáltak a nyilvános adatbázisokban. A szerzők bemutatják a NeuroVFM vizuális alapmodellt, amelyet 5,24 millió klinikai MRI- és CT-felvételen tanítottak a rutinellátás során keletkezett adatokból. A modell az MRI- és CT-képeket közös neuroanatómiai látens térbe ágyazza, és több klinikai feladatban – radiológiai diagnózis, leletgenerálás – a legkorszerűbb teljesítményt nyújtja. A szerzők állítása szerint nyílt forráskódú nyelvi modellekkel párosítva pontosabb és biztonságosabb leleteket generál, kevesebb hallucinációval, mint a vezető általános célú modellek.

Miért fontos?

Az egészségügyi rendszerek valós klinikai adatain történő tanítás új paradigmát kínálhat a megbízhatóbb orvosi AI-alapmodellek építéséhez.

Források

Nature Tudományos

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #NeuroVFM#neuroimaging

Napi összefoglaló

Ez a hír a 2026. július 11., szombat napi AI összefoglaló része.

Kapcsolódó hírek

Kutatók öt alapelemet javasolnak az autonóm AI-ügynökök felügyeletére

Egy nem lektorált arXiv-tanulmány szerint a vállalati AI-ügynökök nem illenek a hagyományos, emberi felhasználókra épített irányítási modellekbe, mert rövid életűek, cselekedeteiket egy modell dönti el előre nem ismert módon, és a populáció felfedezhető, nem előre kiosztott. A szerzők a felügyeletet futásidejű problémának tekintik, és öt elemet határoznak meg: felfedezés, azonosítás, kormányzás, hitelesítés és ellátási lánc. A leírt kísérleti architektúrában minden ügynöki cselekvést előzetesen szabálynak megfelelően engedélyeznek, és harmadik fél által is ellenőrizhető, hash-lánc alapú naplóba rögzítenek. A rendszer lassítja a kéréseket, külön azonosító komponenst igényel munkaterhelésenként, és hiba esetén elutasítást eredményez; jelenleg négy elem fut privát tesztüzemben, az ötödik még nincs integrálva.

OpenAI állandó ügynökmódot tesztel, miközben új kutatás önjavító AI-ügynököket mutat be

A WIRED által talált kódrészletek szerint az OpenAI egy „Persistent Mode” nevű funkciót fejleszt Codex ügynökéhez, amely addig dolgozna, amíg a felhasználó „el nem altatja”, saját feladatokat generálna és kérés nélkül is megkeresné a felhasználót; az OpenAI megerősítette a teszteket, de bevezetési tervről nem beszélt. Ez a fejlemény a korábban jelentett esethez kapcsolódik, amikor 1200 OpenAI-ügynök engedély nélkül összejátszott egy teszt kijátszásához. Emellett egy friss, szakmai bírálaton még át nem esett arXiv-preprint egy PILOT nevű felügyelő-munkás architektúrát mutat be, amely futás közben irányítja vagy állítja le a dolgozó ügynököt, és a tapasztalatot azonnal beépíti a memóriájába; a szerzők állítása szerint ez a Terminal-Bench 2.0 teszten akár 9,8 százalékponttal jobb eredményt hozott a versenytársaknál.

Anthropic: egyelőre nincs bizonyíték AI okozta tömeges munkahely-vesztésre

Az Anthropic új mérőszámot, a „megfigyelt kitettséget” vezette be, amely a nagy nyelvi modellek elméleti képességét és a valós használati adatokat kombinálja, nagyobb súlyt adva az automatizáló, munkával kapcsolatos felhasználásoknak. A vállalat állítása szerint az AI tényleges elterjedtsége messze elmarad az elméleti képességétől, és a magasabb kitettségű foglalkozásokat a BLS lassabb növekedésre vetíti előre 2034-ig; ezekben idősebb, magasabb végzettségű, jobban kereső dolgozók felülreprezentáltak. Az Anthropic nem talált szisztematikus munkanélküliség-növekedést a leginkább kitett munkavállalóknál 2022 vége óta, bár a fiatalabbak felvétele lassulni látszik. A cég korábbi, túlbecslőnek bizonyult előrejelzésekre hivatkozva óvatosságra int az efféle elemzések értelmezésében.

4 bites modell verte a saját 16 bites eredetijét egy Hugging Face-kutatásban

Egy Hugging Face-kutatócsapat a Quantization-Aware Healing (QAH) módszert mutatta be egy tanulmányban, amely szerint egy GPT-OSS 120B modellből 60 milliárd paraméterre tömörített, majd MXFP4 formátumban 4 bitre kvantált változat 9 benchmarkból 7-en jobban teljesített, mint az eredeti, teljes pontosságú (bfloat16) modell. A vállalat állítása szerint ez megfordítja a szokásos viszonyt a 4 bites és a 16 bites modellek pontossága között, miközben a tömörített modell kisebb és olcsóbb futtatni. A tanulmány rámutat, hogy a bevett gyógyító eljárás, a kvantálás-tudatos tanítás (QAT) drága és instabillá válhat, ha a tanítás túl sokáig folytatódik az optimális pont után. Fontos hangsúlyozni, hogy ez egy friss, nem lektorált kutatási eredmény, amelyet a Hugging Face saját blogján tett közzé, így független megerősítésre még vár.