HyperAIHyperAI

Command Palette

Search for a command to run...

Shanghai AI Lab veröffentlicht Sage SciPerception mit RSI

Das Shanghai Artificial Intelligence Laboratory hat das multimodale Wissenschaftsframework Sage SciPerception vorgestellt. Das Werkzeug ist Teil der SAGE-Architektur des Labors, mit der allgemeine und domänenspezifische KI-Fähigkeiten stärker verbunden werden sollen. Sage SciPerception wandelt wissenschaftliche Daten wie Spektren, Sequenzen, Kristallstrukturen und Zeitreihen in Repräsentationen um, die ein Sprachmodell verarbeiten kann, während natürliche Spracheingaben dieselbe Inferenzkette durchlaufen. Ein Kernelement ist der RSI-Modus zur rekursiven Selbstverbesserung, bei dem die KI autonom an der eigenen Wahrnehmungsarchitektur arbeitet. Statt alle Schnittstellen manuell zu bauen, erkennt das Modell bei Tests Schwächen, entwirft neue Projektionsmodule, lässt sie trainieren und auswerten und startet anschließend eine weitere Iteration. In einem Test zur Klassifikation von ncRNA-Familien verbesserte dieser Pfad die Trefferquote von 90,04 Prozent über 94,65 Prozent auf 96,73 Prozent, nachdem der Modellprozess zunächst einen überflüssigen Ansatz verworfen und später Kodieranpassungen sowie separate Projektionspfade ergänzt hatte. Architektonisch bleibt das sprachliche Basismodell eingefroren; gelernt werden vor allem Projektionsmodule, die Domänenencoder mit dem Sprachraum verbinden. Im ncRNA-Fall wurden nur rund 0,5 Millionen Parameter trainiert. Dadurch bleiben die allgemeine Text- und Befehlsfähigkeit des Sprachmodells erhalten, während fachliche Feinheiten wie Atome, Residuen, Gitter oder Signalsegmente effizient einfließen. Bei einem 12-Kanal-EKG reduzierte Sage SciPerception die Eingabe von etwa 253.000 Token auf 452 Token, was einer Reduktion von 99,8 Prozent entspricht. Ergebnisse lassen sich zugleich mit schrittweisen Begründungsketten und strukturierten Befunden ausgeben. Das Framework wurde nach Angaben des Labors bei zehn Aufgaben mit wissenschaftlichen Modalitäten trainiert und vollständig bewertet. Bei der Vorhersage von Proteinbindungsstellen erreichte Sage SciPerception in MPBind einen proteinbezogenen mittleren F1-Wert von 61,12 Prozent, gegenüber 55,53 Prozent eines referenzierten S1-Omni-Ansatzes. In der Kristallbildungsvorhersage JARVIS-DFT lag der MAD/MAE-Wert bei 15,03; in der ncRNA-Klassifikation BEACON bei 97,35 Prozent. In der Spektralanalyse QM9S erzielte das Modell bei der Strukturtrefferrate für den besten Kandidaten 49,75 Prozent, über den Referenzwerten 45,69 und 40,56 Prozent. Die Ergebnisse sollen bei der Suche nach Biomolekülinteraktionen, Materialkandidaten und chemischen Strukturen helfen. Das Labor stellt Sage SciPerception in eine Reihe künftiger S2-Modelle. Künftig sollen weitere Modelle, Daten und Werkzeuge angebunden und die selbstoptimierende Architektur in echten Forschungsaufgaben getestet werden. Ziel ist eine KI, die nicht nur wissenschaftliche Fragen beantwortet, sondern ihre eigene Datenerfassung und Modellstruktur fortlaufend verbessert, um originelle Entdeckungen in der Grundlagenforschung zu beschleunigen.

Verwandte Links