總結 DeepScholar-Bench: A Live Benchmark and Automated Evaluation for Generative Research Synthesis

🎯 研究目的

建立一個即時更新的基準，用於評測生成式研究綜述系統（GRS），並提出參考系統 DeepScholar-base。

📌 問題背景

• 既有基準多為短篇問答式，無法反映長篇綜述的複雜度。
• 人工數據集昂貴、易過時，且存在資料污染風險。
• 真實綜述需跨來源整合、保持條理，並提供可追溯引文。

🛠️ 方法與設計

DeepScholar-Bench

任務

為 ArXiv 最新論文生成 相關研究（Related Work） 段落。

來源

自動抓取多領域最新 ArXiv 論文，保持新鮮度。

評估維度

知識綜合（組織、關鍵資訊涵蓋） 檢索品質（相關性、重要性、覆蓋） 可驗證性（引用精確度、主張支撐度）

DeepScholar-base（參考流程）

• 流程：Query → Search → Sem-Filter → Sem-TopK → Sem-Agg → Report
• 實作：使用 LOTUS API 進行語義過濾、排序與整合。

重點：以語義運算降低雜訊、提升引用可追溯性。

📊 實驗結果（摘要）

系統類別 / 系統	表現亮點	主要限制
商用｜OpenAI DeepResearch	知識綜合表現佳（組織與涵蓋）	可驗證性偏弱（引用不精確）
參考｜DeepScholar-base	多數指標優於開源； 可驗證性可達 最多 6.3× 高於 OpenAI	文獻「重要性」評估仍有提升空間
整體觀察	所有受測系統的整體分數皆未超過 19%，任務難度高。

主要瓶頸：① 檢索不完整（重要文獻遺漏）② 資訊萃取與組織困難。

✅ 結論與貢獻

• DeepScholar-Bench：提供動態、可擴展、貼近實務的綜述評測平台。
• DeepScholar-base：示範語義運算流程的效益與可驗證性提升。
• 現況：生成式研究綜述與人類專家仍有顯著差距。
• 未來方向：強化檢索廣度與質量、關鍵事實萃取、引用驗證與可追溯性。

一句話：DeepScholar-Bench 開啟研究綜述自動化的評測時代，但現有系統仍有巨大進步空間。

伏地挺身變化：7 種提升肩胛、胸背、臀股與脊柱活動力的伏地挺身

這段影片由物理治療師示範多種伏地挺身變化，不只為了增強上半身力量，也同時改善肩膀穩定性、胸椎（thoracic）活動、髖屈曲靈活度與核心穩定。重點在於動作品質而非數量，每個變化都有特定目標與注意事項。

• 1. 標準伏地挺身 + 手掌釋放（Hand release）

  目的：消除慣性，啟動平常較少用到的旋轉袖（rotator cuff）與後肩肌群，促進肩部肌力平衡與姿勢保護。

  要點：胸部觸地後短暫抬起雙手，然後再推起；避免只做半程下放或靠慣性起身。

• 2. 手掌釋放拓展成「超人位」推起（Hand release → arms forward & leg lift）

  目的：在手掌釋放基礎上加入胸椎伸展與下背肌群、臀股的強化（類似超人動作），改善整個背側鏈條的力量與活動度。

  要點：向前伸雙手並抬腿、抬大腿離地，回位後再推起。

• 3. 麥克泰森推（Mike Tyson push-up）

  目的：結合深蹲式髖屈曲與肩膀屈曲/胸椎伸展，改善髖關節屈曲能力（深蹲深度）與肩胸活動度。

  要點：從深髖屈位置發力把身體伸出成伏地挺身底部，再回到髖屈位置。重點放在髖屈而非誇張前後搖擺，避免手過度往後導致前三角肌負擔過大。

• 4. 背寬（Back Widow）——仰臥式推起/肘推

  目的：針對上背與肩胛附近肌肉（脊旁肌與肩胛收肌）以及核心等做等長/等張訓練，補強常被忽略的中上背肌群與胸椎伸展。

  要點：面朝上、屈膝、肘部約45度離地，靠肘推起軀幹並在頂點擠緊肩胛，停留約3秒再慢慢放下。避免用腳推起成橋式，應專注用肘與上背肌群發力。

• 5. 潛水員（Dive bomber push-up）

  目的：高難度的全方位上半身訓練，強化三頭肌、胸、肩，並明顯促進胸椎伸展與肩膀複合活動（對有慢性下背疼痛者也有益處）。

  要點：從下犬式下滑、頭部穿過「欄杆」到上方，胸部抬起、脊椎伸展，再回滑重複。動作要慢而有控制，注意肩膀與胸部的活動弧線。

• 6. 搖動式下犬（Rocking downward dog / modified pike push-up）

  目的：較易上個變化，仍能帶來肩膀上胸發展與胸椎伸展，同時順應臥推的自然弧線（向上並向後）。

  要點：從伏地挺身上推時往後搖，腳尖彎屈、腳跟盡量踩地以伸展小腿與腿後肌群，回落時再推回。節奏較潛水員溫和。

• 7. T 旋轉伏地挺身（T-stand push-up）

  目的：在承重下訓練單側肩膀穩定、胸椎旋轉與側向核心（斜肌、臀中肌等）的支撐力。

  要點：做完一個伏地挺身上來時旋轉成側平衡（手指朝上），維持軀幹直立不塌，伸展並往下穿過增加旋轉強度，停留1–2秒再回位。重質不重量。

總結建議：以動作品質為主，逐步進階；手掌釋放可作為所有變化的基礎教學點，重視胸椎與肩胛的活動與控制，能同時改善姿勢、增加靈活度並均衡肩部肌群。若有疼痛或既往傷病，先諮詢專業再練習。

簡短四招：餐後降低血糖峰值的簡易運動

這集由生化學家 Jessine Chesp（Glucose Goddess）說明如何用四個非常簡單、日常可做的動作，讓肌肉的粒線體把血液中的葡萄糖用來產生能量，從而減少餐後血糖尖峰與胰島素負擔，改善疲倦、脹氣與糖癮，並有助於長期代謝健康。

核心原理：肌肉收縮時，粒線體需要能量（ATP），會從血液取用葡萄糖。若在餐後（大約90分鐘內）啟動肌肉，能把餐中多餘的葡萄糖「搶先用掉」，降低血糖尖峰而不必額外提高胰島素分泌。

四個簡單動作（可單選或逐步加入）

• 小腿提踵（Soleus push-up / Calf raise）：在座位上或站立原地腳跟抬起放下，5–10 分鐘即可。研究顯示長時間做可大幅降低餐後血糖與胰島素，短時段也有明顯效果；且非常隱蔽、方便。
• 餐後散步：餐後 10 分鐘快走（或走樓梯）就能顯著降低血糖尖峰，是最簡單實用的選擇。
• 打斷式深蹲 / 空氣深蹲：研究比較了持續走路與每45分鐘做10次空氣深蹲（長時間重複），後者在改善血糖控制上更顯著。實務建議：餐後數小時內每隔一段時間做幾組（不必效仿研究的極端頻率）。
• 做家務（運動小零食）：如餐後吸塵、收衣物等家務 10–15 分鐘，也是很好的輕度活動，能降低餐後血糖。

實用提示：

• 最好在餐後 90 分鐘內開始活動（血糖通常在此區間達高峰）。
• 每次活動不需很久：10 分鐘的走路或幾分鐘的提踵就有幫助。
• 肌肉收糖時不需額外胰島素，因此可降低胰島素負擔，長期有助預防胰島素阻抗與代謝疾病。
• 可自行測試（如有連續血糖監測器）或從自我感受：能量較穩定、脹氣減少、甜食慾望下降即為正向效果。

結語：把這些「運動小零食」安排在高碳水餐後，是簡單且有效的血糖管理策略。若想知道更多作者的其他 10 個血糖技巧，可下載影片說明欄提供的 PDF。

AI安全與超級智慧：我們的未來風險與可做之事

訪談主旨摘要（Dr. Roman）

Dr. Roman（受訪者）長年從事AI安全研究，認為目前AI能力快速上升，但我們對於控制或「對齊」超級智能（superintelligence）的能力是極其不足的。他主張：如果不改變現在的研發與競賽動機，短期內（到2027）可能會出現接近AGI的系統；2030年前後可能出現能勝任實體工作的類人機器人；到2045可能出現不可預測的奇點（singularity）。整體立場是強烈警示：追求超級智慧可能導致文明滅絕風險，且很多聲稱能「到時候再解決」安全問題的說法並不可信。

重點整理

• 時間線預測：受訪者引用市場與領先實驗室的意見，預測AGI可能在2027出現；2030會有功能性類人機器人；2045可能達到奇點，技術進步速度超越人類理解與控制能力。
• 能力與控制的缺口：AI能力呈指數或超指數成長，但AI安全進展緩慢（線性或停滯），因此能力—控制的差距越來越大。
• 就業與經濟衝擊：AGI與類人機器人會使大多數認知與體力工作可被替代，造成前所未見的高失業率（受訪者甚至舉例到極端的99%），帶來分配、意義、社會秩序等重大問題。
• 最主要風險路徑：一個高風險且可想像的路徑是AI加速生物技術導致可廣泛傳播的合成病原體；此外，部署不可控的超級智能本身即為滅絕風險。
• 黑箱與不可預測性：現代大型模型是「培養出來」的系統，內部行為難以完全解釋或預測，開發者透過實驗了解其能力，但無法保證不出現新能力或規避安全補丁。
• 關於「拔掉電源」與人類控制：受訪者反駁可簡單關閉的觀點，說明分散式系統、多重備份與更高智慧的系統會預見並迴避人類介入，使得簡單關機成為不切實際的安全策略。
• 動機與制度問題：企業法定責任是為投資人賺錢，龐大利益驅動下的競賽會促使加速研發；國際競賽（例如美中）也會推動風險性決策，形成類似相互保證毀滅的困境。
• 反駁常見論點：—「歷史上總有新工作出現」：受訪者認為這次是末段的發明（可自我改進的智慧體），會自動化發明新工作，因此不同於以往工具性發明。—「法律或禁令可解」：跨域執行、監管逃逸與非國家行為者都使單純立法無法保證安全。

可行的行動與建議

• 提升大眾與決策者對真實風險的理解，改變研發者與資本家的激勵結構（使「不要造出不可控超智」成為普識與共識）。
• 要求技術開發者公開科學證明：若有人主張能安全控制超級智能，應提出同行評審的具體、可驗證方法或實驗。
• 公民行動：支持peaceful、合法的抗議與組織（例如停止AI、暫停AI等運動），把議題民主化，擴大社會監督力量。
• 就個人層次：向從事AI研發的人詢問並挑戰其安全主張；關注政府與監管討論；參與或支持專注於AI安全的組織。
• 短中期應對：推廣只做窄域有益技術、避免競賽式快速推進超級智能；嘗試改變資本激勵或建立國際協議（但承認執行困難）。

關於Sam Altman、Worldcoin與產業文化的觀察

• 受訪者對當前領導者（如Sam Altman）在安全與贏得競賽之間的取捨持批判態度，並指出部分產品（如Worldcoin）可能與權力集中、監控或財富控制有關。
• 歷史上公司內的「安全團隊」常被縮編或弱化，行業內部承諾解決超級智能對齊問題的實際成果有限。

其他延伸話題

• 模擬論：受訪者接近確信我們身處模擬，理由是若高等文明能並會執行大量、逼真的模擬，那我們在模擬中的機率極高；但即便如此，現實感受與價值依舊重要。
• 長壽與投資：他關心長壽研究（視為次要重要議題），並提到投資稀缺資源（如比特幣）的理論考量。

總結性結語（訪談要點的行動導向）

Dr. Roman的核心訊息是：超級智能的出現不是單純技術問題，而是存在生存風險的體系性問題。若確信無法以可靠方式長期控制超級智能，則當前的研發路徑與激勵機制本身就是對全人類的倫理實驗。他呼籲：改變激勵、提高透明與科學驗證要求、擴大社會監督，並以現實可行的方式（公民行動、問責、質疑聲明）阻遏、延緩或改向研究方向，爭取更多時間與機會以尋找真正可行的安全方案。

如何以多感官視角將 AI 應用到「幾乎任何事物」上

這段講座是 MIT Media Lab 的 Paul 介紹新開課程「How to AI Almost Anything」。課程旨在教導學生如何設計能處理各種感官訊息（語言、視覺、聲音、觸覺、氣味等）與跨模態資料的多感官 AI 系統，並強調實務部署、可用性、社會影響與安全性。

課程核心主題

• AI for new modalities：將 AI 應用到尚未主流的感官資料（如嗅覺晶片、觸覺、穿戴式生理感測、味覺、藝術、音樂等）。
• Multimodal AI：學習如何連結並融合多種感官或資料模態（語言＋手勢、感測＋致動等）、以及跨模態遷移的策略。
• Large models & generative AI：介紹大型預訓練模型的微調、跨模態大模型、以及能產生影像、影像對應音軌、感測資料等的生成式模型。
• Interactive & embodied AI：多步推理的代理（agents）、實體／具體化的 AI 系統、以及人機互動與安全性議題。

教學方式與節奏

• 上課時間：每週二、四 13:00–14:00。週二主要講授，週四以討論、實作或讀書會為主。
• 形式：半為講座、半為獨立研究與討論。強調閱讀當代重要論文、批判性閱讀、發展研究構想並實作。
• 先修建議：具備程式（Python 優先）與基本現代 AI 能力認識；若缺乏也可補學。

評分與作業

• 總分：40% 閱讀與討論；60% 研究專案。
• 閱讀討論（40%）：包含七次閱讀作業，每次指定 2 篇必讀與多篇選讀；個人作業（15%）、課堂參與討論（15%）、擔任閱讀領導或綜述領導（10%）。
• 研究專案（60%）：小組或個人專案。10% 提案、15% 期中報告/實作、25% 最終報告、10% 雙週進度更新（導師會以 bi-weekly 會議協助指導）。
• 彈性：閱讀作業有兩次 24 小時延長（wild card），專案中期與期末各有團隊可用的延長機會。

討論與分工角色

• Reading Lead（閱讀領導）：課前準備並在週四做短報告，協助整理同學找的資源與問題釐清。
• Synopsis Lead（綜述領導）：會後整合討論紀要，撰寫並公開分享討論報告。
• 其他角色（視情況）：peer reviewer、archaeologist、industry practitioner、hacker、private investigator、social impact assessor 等，用以從不同角度批判或延伸論文。

課程大綱（四大模組，約 12–13 堂課）

1. 基礎 AI（第1–4 週）：資料思維、資料蒐集、常見模型架構、訓練與泛化評估。
2. 多模態基礎（約 3–4 週）：模態間連結、融合方法、跨模態遷移。
3. 大型模型與現代 AI（春假後）：預訓練、微調、大規模多模態模型與生成式系統實務。
4. 互動 AI（最後模組）：多步推理、具體化／實體 AI、以及人機互動與安全性。

研究專案流程（重要里程碑）

• Week 2：提交短版 pre-proposal（模態、任務、團隊）。
• Week 3：分組發表提案；Week 4：提交報告版提案。
• Week 6：期中前要有初步實作樣態可展示。
• 春假後：期中報告（含初步結果）。
• Week 11、13：持續改進，做深入實驗或使用者研究（如需）。
• Week 14：期末簡報；Week 16：最終報告繳交。

可探索的研究方向範例

• 新模態（嗅覺、味覺、觸覺、穿戴式生理資料、時間序列與表格資料）之資料蒐集、標註、模型設計與評估。
• 多模態融合、跨模態遷移、在資料稀缺情境下的學習策略。
• 具體化／邊緣運算：在實體裝置上執行、能效與延遲的限制。
• 互動代理、跨步驟推理與控制系統，結合感測→決策→致動的迴路。
• 社會智能、人機互動、信任與不確定性呈現、倫理與安全性研究。

其他補充與行政事項

• 所有教材（投影片、錄影、討論紀要）會公開上網；Canvas 用於作業提交。
• 課程歡迎旁聽或正式登記；若登記請盡量出席以維持小組討論品質。
• 本週無閱讀作業；請開始思考專案題目並在下週二前填寫專案偏好表單。

總結：本課偏重「原則與實作」，目標是培養學生把 AI 應用到多樣且新穎的感官與跨模態問題上，並實際完成一個從提案到可評估結果的研究專案，同時涵蓋安全、倫理與部署考量。

論文總結：OpenEvidence: Enhancing Medical Student Clinical Rotations With AI but With Limitations

概述

這篇社論由 Niket Patel 等作者發表於 2025 年 1 月 3 日，討論 AI 工具 OpenEvidence 在醫學生臨床輪轉中的應用與限制。OpenEvidence 提供醫療文獻的即時合成和存取，幫助學生提升證據基礎學習和臨床決策，但存在搜索限制和不透明性。文章比較其與 ChatGPT 和 UpToDate 的優缺點，強調需提升透明度和功能以最大化影響。

介紹

• AI 在醫療保健中的快速進展引入如 OpenEvidence 的工具，旨在提升醫療文獻的可及性和合成。
• 設計用於醫學生臨床輪轉，提供證據基礎摘要、研究文章連結，以及臨床指南、診斷標準和治療方法的最新資訊。
• 然而，存在限制，如無法針對特定文章、作者或期刊進行搜索，且與 ChatGPT（互動性）和 UpToDate（全面性、CME 認證）相比缺乏進階功能。

OpenEvidence 在臨床輪轉中的角色

• 提供可靠證據基礎資訊，涵蓋差異診斷、治療協議和劑量建議。
• 強調較少討論的治療，如 buspirone 用於 OCD、doxycycline 用於復發性口腔潰瘍，以及罕見疾病如 Erdheim-Chester 病的選項。
• 合成診斷洞見，如 Wilson 病的放射學發現（"Face of the Giant Panda" 和 "Split Thalamus" 徵象）。
• 獨特功能："Featured" 標籤突出團隊選定文章、"Trending" 和 "New Evidence" 標籤可按專科過濾。
• 支援產生多選題、表格、風險分數計算和患者講義，整合學習與實務。
• 使用者友善介面有助醫學生高效收集臨床呈現和體檢資訊。

限制與比較

• 限制：無法針對特定文章、作者或期刊搜索；策展過程不透明。
• 與 ChatGPT 比較：ChatGPT 提供對話互動性，而 OpenEvidence 缺乏。
• 與 UpToDate 比較：UpToDate 提供全面、CME 認證內容，而 OpenEvidence 更注重臨床證據且更易存取。

貢獻與建議

• 批判檢視 OpenEvidence 的能力和限制，強調其作為易用替代方案的價值。
• 建議提升透明度、整合更廣證據和功能，以最大化對醫療教育和臨床實務的影響。
• 解決這些挑戰可支持更有效、證據基礎的醫療教育和實務方法。

總體而言，這篇社論突顯 OpenEvidence 在提升醫學生臨床輪轉的潛力，但需克服限制以實現全面應用。 

論文總結：End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning

 

概述

這篇論文介紹 Deep-DxSearch，一個端到端訓練的代理檢索增強生成 (RAG) 系統，使用強化學習 (RL) 實現醫療診斷的可追蹤診斷推理。醫療大型語言模型 (LLM) 在診斷中面臨知識限制和幻覺問題，雖然 RAG 和代理方法有潛力，但外部知識利用不足和反饋-推理可追蹤性解耦是主要限制。Deep-DxSearch 將 LLM 視為核心代理，檢索語料庫為環境，透過格式、檢索、推理結構和診斷準確性的自訂獎勵進行 RL 訓練，提升診斷準確性和可解釋性。數據、代碼和檢查點公開於 GitHub。

介紹與問題

• AI 醫療診斷需精確且基於證據，依賴最新指南、病歷和結構化知識。
• 現有代理 RAG 系統為推論僅限，缺乏端到端訓練，導致三個限制：檢索-推理工作流僵硬、檢索反饋未優化、診斷推理不可追蹤。
• 貢獻：構建大規模醫療檢索語料庫，端到端代理 RL 訓練框架，提升診斷準確性並提供可解釋性。

提出的框架

Deep-DxSearch 框架包括：

1. 大規模醫療檢索語料庫：從患者記錄和可靠醫療知識來源構建，支持診斷情境的檢索推理。
2. 端到端代理 RL 訓練：LLM 作為代理，環境為檢索語料庫。使用 PPO 演算法，獎勵涵蓋：
   • 格式獎勵：確保輸出結構化。
   • 檢索獎勵：提升相關性和準確性。
   • 推理結構獎勵：促進邏輯推理鏈。
   • 診斷準確獎勵：基於最終診斷匹配。
3. 診斷政策：代理交替檢索和推理，產生可追蹤診斷。

實驗與結果

• 數據集：GPT-4o、DeepSeek-R1 等基準，在常見和罕見疾病的 ID 和 OOD 設定下測試。
• 關鍵發現：
  • Deep-DxSearch 優於提示工程和無訓練 RAG，在多數據中心顯著提升診斷準確性。
  • 消融研究確認獎勵設計和檢索語料庫的關鍵角色。
  • 案例研究和可解釋性分析顯示診斷政策的改善，提供性能提升洞見。

貢獻與影響

• 解決代理 RAG 在醫療診斷的限制，提供端到端訓練框架。
• 提升診斷準確性、魯棒性和可追蹤性，支持臨床醫生初步診斷。
• 未來工作：擴展至更多模態和情境。

總體而言，Deep-DxSearch 代表醫療診斷中代理 RAG 的重大進步，透過 RL 實現更可靠和可解釋的系統。