在FAANG公司面试中，考官重视候选人的数据分析能力，特别是识别统计陷阱，如辛普森悖论、选择偏差、p-hacking、多重测试和混杂变量。候选人需质疑数据来源、分组及实验设计，以避免错误决策。

Virtuous Machines AI系统花费17小时和114美元完成了一篇30页的认知心理学论文，涵盖实验设计和数据分析，符合APA格式。该系统通过模拟人类认知机制自动化科研过程，尽管效率高，但在理论深度和创新思维上仍显不足。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

苹果团队的研究引发了关于大模型推理崩溃的讨论。最初认为高复杂度任务导致崩溃，后续文章则指出是实验设计问题。最新研究确认，尽管修正了测试设计，模型在长推理和复杂任务中仍存在追踪能力不足的问题。

本研究利用轻量级随机结构神经网络和保形分位回归，解决科学成像中高质量数据获取时间长和噪声增加的问题。该方法有效去噪，揭示可解释的空间和化学特征，支持资源受限情况下的实验设计。

本研究分析了大型语言模型（LLM）在网络安全渗透测试工具中的评估方法，提出了改进的研究方法，包括扩展测试平台和完善分析指标。研究表明，现有CTF挑战未能全面反映真实的渗透测试场景。

本研究提出了一种基于强化学习的动态角度选择方法，以满足工业X射线CT快速在线检测的需求。通过动态最优停止和序贯最优实验设计的引入，提升了CT操作的灵活性和适用性。

本研究评估了Sakana.ai的AI科学家在自主研究中的能力，探讨其是否能实现人工通用研究智能（AGRI）。尽管在研究自动化方面有所进展，但在文献综述和实验可靠性上仍存在不足，用户需参与实验设计，限制了其自主性。学术界和AI社区需对此进行紧急讨论。

本研究通过游戏Codenames评估大型语言模型的语言和认知能力，设计实验控制词语选择和对手速度，以揭示LLMs的策略、挑战和局限性。

本研究提出了一种蒸馏规模法则，以解决大规模蒸馏模型的性能估计问题。合理的资源分配显著提升了学生模型的性能，并提供了优化蒸馏的方案，促进了实验设计与蒸馏过程的理解。

本文解决了大规模语言模型（LLM）在科学模型提出、实验数据收集及基于新数据修订模型方面缺乏系统性基准的问题。提出的BoxingGym基准通过10个环境对实验设计与模型发现进行系统评估，并发现当前的LLM在这两个领域的表现均不佳，增强LLM-agent与显式统计模型的结合并未有效改善其结果。

本研究提出了一种非短视的多目标优化实验设计方法，通过超体积改进提升多目标贝叶斯优化的获取函数性能，从而优化资源使用和目标达成潜力。

在《我的世界》中，数学研究成功估算了多个数学常数，如欧拉数e，误差仅为0.00766%。两位数学博士利用游戏机制，通过实验设计近似计算√2、π和阿佩里常数，激发人们以有趣的方式探索复杂数学问题。