成像质谱（IMS）在生物学中用于可视化生物组织的分子分布。研究者提出结合IMS与光学显微镜的多模态方法，开发基于扩散模型的虚拟染色技术，以提高空间分辨率并简化工作流程。该技术在无标记组织的质谱图像中引入细胞形态对比度，具有重要的临床应用潜力。

本研究评估了GovSim框架，探讨大语言模型（LLMs）在资源共享中的合作决策能力。结果表明，GPT-4-turbo等大型模型在有无普遍化原则下均能实现可持续合作，而小模型则无法做到。这为大型模型在复杂合作任务中的适应性提供了重要见解。

Fedora 的改革目标是实现 99% 软件包的可重复性，以提升软件的可靠性和一致性。

Fedora 旨在实现 99% 软件包的可重复性，以提升软件的可靠性和一致性。

文章讨论了可重现构建的重要性，强调其在提高软件质量和安全性方面的作用。可重现构建能够检测软件包在构建过程中的篡改，确保软件源与二进制文件一致。尽管面临硬件特定优化和环境变量的挑战，可重现构建仍是提升软件可靠性的重要方法。文章还提到不同Linux发行版在可重现性方面的努力和进展。

本研究提出了AlgOS，一个灵活的模块化框架，旨在解决算法实现中的标准化和可重复性问题。它集成了自动超参数调优功能，简化了新算法的实现过程，提高了算法比较的一致性。

本研究提出了一种评估合成数据质量的框架，旨在确保数据驱动研究中的隐私和效用。该框架支持多种数据类型，并提供可解释的质量诊断，以促进合成数据生成技术的可重复性和一致性。

本研究探讨了利用大型语言模型的科学代理，以提升研究效率和可重复性，整合领域知识与工具，促进科学发现。

本研究探讨了图基入侵检测系统（GIDS）的可重复性和可复制性挑战，并提出了评估现有GIDS的方法。研究表明，数据集规模和实施设置对性能有显著影响，同时揭示了假阳性率和鲁棒性的问题，为未来研究提供了重要见解。

本研究首次全面评估大型语言模型（LLM）在金融和会计研究中输出的一致性和可重复性。通过对50次独立实验的广泛测试，发现LLM在分类和情感分析任务中表现出近乎完美的可重复性，而在复杂任务中则表现出更大的变异性。尽管LLM输出存在一定的不一致，但下游统计推断依然表现出显著的稳健性，这减轻了对选择性报告有利结果风险的担忧。

本研究针对大型语言模型（LLMs）在数据科学中的可重复性问题进行了探索，提出了一种新颖的分析-检查框架，以自动评估和保障LLM生成的数据科学工作流程的可重复性。研究发现更高的可重复性与更好的准确性高度相关，并且提出的增强可重复性的提示策略有效，展示了结构化提示在增强自动化数据科学工作流程中的潜力。

本研究探讨了长期时间序列预测中模型性能评估的问题，发现现有评估方法不一致，影响模型比较的可靠性。通过对3500多个模型的评估，强调采用严格标准化评估方法的重要性，以提高结果的可信度和可重复性。