每周编辑精选｜MathPile 数学推理语料库开源、协和眼科牵头用 AI 助力 13 种眼底疾病检测
内容提要
上海交通大学生成式人工智能研究实验室开源了数学领域的高质量预训练数据集MathPile和商用版本MathPile-Commercial，还有其他热门数学数据集可供下载。此外，还有AI生成的图像数据集、多样化肖像数据集、中文文本分类数据集等。另外，还有关于眼科疾病检测、工作场所绿化水平与健康关联、智能化科学设施构想等的论文案例。
延伸解读
MathPile 数据集的双版本设计
MathPile 包含约 95 亿 tokens，专为提升大模型数学推理能力设计。其商业版本 MathPile-Commercial 通过剔除禁止商业用途的文档获得，具体方法包括利用 arXiv 元数据中的许可信息进行非商业用途检测，并对其他源采用关键字匹配。这种双版本策略既满足了学术研究需求，也为商业应用提供了合规的数据基础。
眼科 AI 诊断的临床价值
由北京协和医院眼科主任陈有信牵头，联合全国 5 家眼科中心及企业、高校合作开发的深度学习系统，可自动检测 13 种主要眼底疾病。该系统助力初级眼科医生的诊断一致性提高了约 12%，相关论文发表于 Nature 期刊。这表明 AI 在眼科图像识别领域具有提升诊断一致性的潜力，尤其有助于基层医疗场景。
工作场所绿化与健康关联的研究方法
浙江大学吴息凤教授团队利用卷积神经网络模型，基于街景图像的绿色视图指数评估工作场所室外可视绿化水平，并通过逻辑回归模型分析杭州市 5 万多名成年人的数据，证实了绿化水平与代谢综合征之间存在有益关联。该研究展示了 AI 技术在环境健康领域的应用，为公共卫生研究提供了新思路。
智能化科学设施的构想
上海交通大学 AI for Science 团队杨小康教授等人提出智能化科学设施的建设构想，旨在形成科学领域大模型、生成式模拟与反演、自主智能无人实验及大规模可信科研协作等创新功能。这一构想若实现，可能推动跨学科 AI 科研助手的建立，加速科学发现进程。相关成果发表于《中国科学院院刊》。
Q&A
MathPile 数据集是什么？它包含多少 tokens？
MathPile 是上海交通大学生成式人工智能研究实验室开源的高质量、多样化数学预训练数据集，包含约 95 亿 tokens，旨在提升大模型在数学推理方面的能力。
MathPile-Commercial 和 MathPile 有什么区别？
MathPile-Commercial 是 MathPile 的商业用途版本，通过剔除 MathPile 中禁止商业用途的文档获得（最新版本 v0.2）。研究团队对源数据进行了非商业用途检测，利用 arXiv 源的元数据中的许可信息，并对其他源采用了关键字匹配。
协和眼科牵头的 AI 眼底疾病检测研究取得了什么成果？
由北京协和医院眼科主任陈有信牵头，联合全国 5 家眼科中心等共同开发了深度学习系统，助力初级眼科医生的诊断一致性提高了约 12%，为 13 种主要眼底疾病的自动检测提供了新方法。相关论文发表于 Nature 期刊。
工作场所绿化水平与健康关联的研究是如何进行的？
浙江大学公共卫生学院吴息凤教授课题组通过卷积神经网络模型，基于街景图像的绿色视图指数评估可见绿色暴露，并利用逻辑回归模型对杭州市 5 万多名成年人的工作环境室外可视绿化水平进行评估，证实了工作场所可视绿化水平与成年人代谢综合征之间存在有益关联。相关成果发表于 Environment International 期刊。
上海交大 AI4S 团队提出的智能化科学设施构想包含哪些功能？
上海交通大学人工智能研究院 AI for Science 团队杨小康教授等人提出了一种智能化科学设施的建设构想，形成科学领域大模型、生成式模拟与反演、自主智能无人实验及大规模可信科研协作等创新功能。相关研究成果发表于中国科学院院刊。
亚马逊工程师汇总的 LLM 论文清单有什么特点？
亚马逊工程师 Eugene Yan 等人建立了一个语言模型论文阅读清单，持续分享前沿论文，目前已经汇总了 40 余篇高质量论文，旨在帮助大家更快检索高价值论文。
