Linux 与命令行
MIT Missing Semester:Shell 入门及开发环境与工具,2026,社区中译
路径、权限、管道、远程连接;在 Linux 终端启动程序并保存日志
VEGA LAB / RESEARCH GUIDE
从一个具体问题开始,读懂论文、跑通代码、设计实验,再用结果支持自己的判断。Codex、Claude Code 可以协助阅读、编程和分析;研究问题、实验依据与最终结论,需要由你理解和核验。
第一个项目以完成以下三项成果为目标:
已有基础可直接从选题和代码开始;初学者先搭建 Linux 环境,完成一个小型训练与评估任务,再按四周安排推进。
本指南参考并改编自 MARS Lab 的科研入门指引,特此致谢。
VEGA Lab 关注健康与生命科学中的人工智能。以下四条主线提供选题入口,每个方向附入门任务与 Nature、Science 系列期刊的补充阅读。先选一条主线,不必同时学习所有方向。
医学数据包含影像、文本等不同模态。我们关注模型如何利用这些数据学习可迁移的表征,以及如何在标注有限时适应新的任务。MerMED-FM [1] 研究多模态、多疾病医学影像基础模型,UrFound [2] 关注视网膜基础模型。
入门任务选择一个分类任务,比较预训练特征上的线性分类器与小规模微调,观察标注量变化对结果的影响。
补充阅读RETFound [3] 关注视网膜自监督预训练;Ark+ [4] 从多套胸片专家标注中积累知识;PanDerm [5] 学习多类皮肤影像表征;Merlin [6] 联合三维 CT、放射报告和电子病历建模。比较它们的监督信号、迁移任务与外部验证方式。
模型给出判断或生成描述时,应当能够指出相应的图像区域或文本依据。MedRPG [7] 研究医学短语定位,EVLF-FM [8] 结合医学视觉语言建模与视觉证据定位。
入门任务检查定位区域是否支持对应描述,整理定位错误、遗漏异常和无证据描述的案例,提出一个有针对性的改进。
补充阅读MedSAM [9] 研究提示驱动的医学分割;UniBiomed [10] 联合生成诊断描述与目标分割;MedSegX [11] 研究开放世界医学分割。区分框定位、像素分割与文本证据对齐,检查模型在新模态、新器官上的表现。
从医学文本生成出发,进一步研究多轮问诊、知识检索和工具调用。Teaser [12] 按主题检索句子来生成医学报告;Note2Chat [13] 利用医疗笔记构建训练对话,提升多轮病史采集能力。两者分别提供报告生成与对话建模的入口;智能体进一步涉及规划和工具调用。
入门任务用获准使用的病例或模拟病例,比较两种问诊策略的信息完整性、重复提问和无依据推断,或检查报告中的异常遗漏。保存对话轨迹、检索证据和评分依据。
补充阅读AMIE [14] 研究多次就诊中的管理推理与对话,结合临床指南和药物知识;DeepRare [15] 结合多个智能体、专业工具与知识来源,支持罕见病鉴别诊断。重点看证据追踪与评测设置,区分模拟评测与真实临床应用的证据。
研究数据从 DNA、RNA 和蛋白质序列延伸到睡眠、生理信号及可穿戴设备记录。ComBodied Agents [16] 提出以人为中心的智能体框架,讨论持续感知、长期记忆与个体状态建模,适合启发可穿戴数据相关选题;其中的框架设想与已完成的实验验证应分开理解。
入门任务用公开且获准使用的数据,比较简单基线与预训练表征,完成序列分类或生理时间序列预测。检查时间戳、缺失值、采样频率与个体差异,按受试者及时间划分数据,避免相邻片段泄漏到测试集。
补充阅读Biomni [17] 调用工具执行生物医学研究任务;SleepFM [18] 从多导睡眠监测信号学习表征并预测疾病;LucaOne [19] 联合建模核酸与蛋白质序列。SleepFM 迁移到日常可穿戴设备时,还需验证传感器差异与泛化能力。
选定主线后,先精读一篇相关论文,再补读一篇直接相关的基线或后续工作。结合数据、代码、模型权重和算力的可获得性,与导师确定第一个项目的范围。更多论文见周阳老师主页。
科研代码、依赖安装和运行脚本优先在 Linux 环境中完成,便于迁移到实验室服务器。Linux 用户可直接开发;Windows 用户建议使用 WSL 2 中的 Ubuntu;macOS 用户可以在本地编辑代码,通过 SSH 连接 Linux 服务器运行实验。环境搭建可参考 MIT Missing Semester 2026:开发环境与工具(社区中译)。
基本配置为“编辑器或终端 + Git + conda 环境 + PyTorch”。VS Code 可连接 WSL 或远程 Linux 主机。复现时遵循作者仓库的 Python、PyTorch 和 CUDA 兼容要求,先跑通原有环境,再考虑升级依赖。
开始实验前,应能完成以下操作:
nvidia-smi 查看显存和进程。Linux 环境不要求自购 GPU。先在 CPU 上检查数据和代码,再将同一项目放到服务器或下文的免费 GPU Notebook 平台上运行。Notebook 用于探索和小规模练习,正式实验尽量整理成可重复执行的脚本。
conda 管理软件包与虚拟环境。每个环境拥有独立的 Python 和依赖版本,避免不同项目互相冲突。建议一篇论文或一个项目使用一个环境,实验依赖不要装进 base;环境隔离不负责数据隔离或 GPU 分配。
在 Linux、WSL 或服务器中使用该系统内安装的 conda,先运行 conda --version 检查是否可用。下面以 Python 3.11 为例;实际版本按作者仓库要求选择。若仓库已有 environment.yml,优先按其说明重建环境。
# 创建并进入项目环境
conda create -n vega-research python=3.11 pip
conda activate vega-research
python --version
which python
# 仅在仓库提供 requirements.txt 时执行
python -m pip install -r requirements.txt
# 保存环境和 pip 包版本,随实验材料归档
conda env export --no-builds > environment.yml
python -m pip freeze > requirements-frozen.txt
conda deactivate
# 在另一台兼容的 Linux 机器上重建
conda env create -n vega-reproduce -f environment.yml
conda activate vega-reproduce
导出前检查当前环境名称,分享前去掉 environment.yml 中指向本机的 prefix 路径,检查本地包路径和私有源地址。完整导出有助于记录一次运行;跨系统迁移时,可另用 conda env export --from-history 保存显式安装的 conda 依赖,并单独补齐 pip 依赖。任何导出文件都要经过实际重建验证。
PyTorch 与 CUDA 按仓库和官方安装说明配置,conda 环境不能替代主机 NVIDIA 驱动。在 Notebook 中还要选择对应的 Python 内核。让 Codex 或 Claude Code 运行实验时,明确环境名,并要求它先报告解释器路径;也可用 conda run -n vega-research python train.py 指定环境,其中脚本名按项目替换。
学习基础知识与动手实践可以同时进行。先找出当前任务需要的概念,在代码中观察它们如何工作,再逐步补足理论。
| 基础 | 需要掌握的内容 |
|---|---|
| Python 与 PyTorch | 张量形状、数据加载、前向传播、损失与反向传播;训练模式和评估模式的区别 |
| 数学与机器学习 | 向量和矩阵运算、梯度、过拟合、数据划分,以及评价指标的含义 |
| 视觉与语言模型 | 按选题学习 CNN、ViT、Transformer、对比学习和预训练;需要模型适配时再学习指令微调与 LoRA |
| 实验环境 | 创建独立环境,用 Git 查看和回退修改;使用服务器时掌握 SSH、显存检查和日志保存 |
| 文献与表达 | 查找原论文和作者代码,管理引用,用简短文字和图表说明问题与结果 |
完成一个小型训练、验证和测试任务,尝试解释每一步的数据形状与计算过程。学习资料按下一节选用,不必一次学完全部课程。
选择 Codex 或 Claude Code,在项目目录中开始工作。它们可以结合项目文件理解任务、修改代码、执行命令和检查结果,具体能力取决于环境与权限。把论文、README、运行环境和预算交代清楚,每次完成一个可以检查的小任务。操作方法见 Codex 官方文档和 Claude Code 官方文档。
优先选中文资料,按当前任务补课,每项先完成一个小练习。以下课程与新版材料均为2025年及以后版本,英文课程用于补充;研究论文不受这一年份限制。
MIT Missing Semester:Shell 入门及开发环境与工具,2026,社区中译
路径、权限、管道、远程连接;在 Linux 终端启动程序并保存日志
MIT:Version Control and Git及Debugging and Profiling,2026,英文补充;2026 版尚无中译,可对照 2020 版中译版本控制与调试及性能分析
用提交保存一次修改,用断点与日志解释一次错误
Python 3.14 官方中文教程,2025年发布的3.14版本文档
适合已有基本编程经验的同学;学习函数、文件、异常与数据结构,写一个日志汇总脚本;项目运行版本仍按依赖要求选择
李宏毅:机器学习2025春季课程,中文授课,附讲义、视频与作业入口;讲义 PDF 可直接下载,视频托管于 YouTube
按课程基础与作业准备材料补足训练、优化和泛化知识,跑通一次数据加载、训练与评估
Stanford CS231n Spring 2025,英文补充
按选题阅读优化、CNN、注意力、自监督和视觉语言建模讲义,追踪实际代码中的张量变化
李宏毅:生成式人工智慧与机器学习导论2025秋季课程,中文授课
理解语言模型训练、提示与模型能力的来源;比较同一任务中的两种提示,并解释差异
MIT Missing Semester:智能体编程,2026,社区中译
学习上下文、任务拆分与验证;让 Codex 或 Claude Code 完成一次可审查的代码修改
Datawhale Hello-Agents:从零开始构建智能体,2025起,中文开源教程
从基础范式、工具调用、记忆和检索入手;做一个能检索文献并返回来源的简单助手,记录调用过程
武汉大学:信息检索(黄如花,中国大学MOOC,每学期开课),中文;PubMed 官方帮助,英文补充,用于医学文献
学习医学文献、理工科调研与开放资源检索;找到两篇原文,记录查询词、版本和引用关系
一份(不太)简短的 LaTeX 2ε 介绍(lshort-zh-cn v6.05,2024年12月),中文;Overleaf:Learn LaTeX in 30 minutes,英文补充
学习模板、公式、图表与引用,在 Overleaf 编译一份两页短文
Zotero 中文社区:用户指南,中文,覆盖 Zotero 7;ACRL:Zotero Quick Guide,2025,英文补充
为两篇论文建立条目、校正作者和年份,整理阅读笔记并导出 BibTeX
Simon Peyton Jones:How to give a great research talk(Microsoft Research),英文补充;幻灯片 PDF 可直接下载,视频托管于 YouTube
提炼一个研究问题、一张主要结果图与一个结论,再按本指南的交付要求组织汇报
中文翻译用于帮助理解;遇到命令、术语或接口差异,回查课程原文及所用软件版本的官方说明。学习智能体教程时,优先选择少量调用即可完成的练习,区分免费教材与模型 API 的费用。
推荐从 Vibe Coding 101 with Replit 开始。这门2025年发布的公开课程由 DeepLearning.AI 与 Replit 合作推出,约94分钟,通过两个应用介绍如何说明需求、提供上下文、分步构建和调试。它适合建立 AI 辅助开发的基本习惯,再将这些方法用到 Codex、Claude Code 和科研代码中。
课程页面提供免费学习入口;平台运行额度、测验或证书的收费条件需另行查看。科研实践中,每次接受生成代码后都查看差异并运行验证,尤其检查数据划分、损失函数和评测逻辑。
arXiv 是开放的学术预印本平台,适合追踪人工智能领域的新工作。按题名、作者或关键词检索,在摘要页查看提交时间、版本历史、PDF、代码链接以及可能存在的期刊信息。预印本上架不等于完成同行评审;阅读笔记应记录具体版本,如 v1 或 v2,避免将不同版本的实验混用。平台性质见 arXiv 官方介绍。
Google Scholar(谷歌学术) 是学术搜索引擎,可跨出版商和预印本平台查找论文。用英文任务词组合检索,例如 medical image grounding;用完整题名加引号寻找已知论文。通过“被引用”追踪后续工作,通过“所有版本”寻找作者公开稿,按年份筛选近期文献,并为需要持续跟进的主题设置提醒。引用计数只作线索,仍需阅读方法与实验;检索功能见 Google Scholar 官方帮助。国内网络无法稳定访问时,可用百度学术作为替代入口,再到 arXiv 或出版页面取得原文。
一次完整检索练习:从本指南选一篇论文,在 Google Scholar 找到一篇相关后续工作,再到 arXiv、出版页面或作者主页取得原文。将两篇论文导入 Zotero,合并同一工作的重复版本,核对 DOI 和发表年份,导出 .bib,在两页短文中引用。优先引用已正式发表的版本;若使用的结论仅出现在预印本中,则注明该版本。模型提供的题名和引用必须能在原始来源中找到。
LaTeX 是用文本标记编写并编译文档的排版系统,适合公式、交叉引用、参考文献和论文模板。Overleaf 是浏览器中的 LaTeX 编辑与协作环境,可以编译预览 PDF;开始练习时不必先在本机安装完整 TeX 环境。Zotero 用于收集论文、整理笔记和管理书目信息,LaTeX 项目中的 .bib 文件则保存引用条目。
第一项练习:在 Overleaf 中新建项目,完成一份两页短文,包含标题、一个公式、一幅图、一张表、文内引用和参考文献。结合 lshort-zh-cn 的模板与示例修改 .tex 与 .bib 文件;用 \label、\ref 维护图表编号,用 \cite{引用键} 插入引用,避免手动编排编号。中文文档可选用支持中文的模板,并按模板要求设置编译器。
论文写作采用目标会议或期刊的模板,日常汇报可以用 PowerPoint 或 LaTeX Beamer。每次交付都同时保存 PDF 与可编辑源文件;从 Zotero 或出版页面导入的引用,也要核对作者、题名、年份和 DOI。
先选择能正常访问的平台,完成一次小批次训练或推理,再扩大实验。Kaggle 与 Colab 需要能稳定访问 Google 服务,国内网络下可先用飞桨 AI Studio。以下免费条件按2026年9月的官方页面核对,实际可用 GPU 与额度以账户界面为准。
| 平台 | 适合的入门任务 | 免费条件与使用方式 |
|---|---|---|
| 飞桨 AI Studio | 课程练习、小模型训练与推理;预装飞桨(PaddlePaddle)环境,其他框架能否安装需自行确认;国内访问稳定 | 注册后每日运行一次 Notebook 项目即送8点算力,可用 V100 16GB 运行约16小时;关闭浏览器10分钟后环境停止,按分钟计算力点。见官方算力说明 |
| Kaggle Notebooks | 公开数据上的图像分类、小模型微调、基线评测;预装环境可减少配置工作 | 注册并完成平台要求的账户验证后,在 Notebook 设置中选择 GPU。官方使用说明给出按周重置的配额,通常为30小时,可能随供需调整;高峰期可能排队 |
| Google Colab | 课程 Notebook、PyTorch 入门、少量推理与短时微调 | 使用 Google 账户,在运行时类型中选择 GPU。免费资源动态分配,不保证具体型号和固定时数;会话可能因空闲或时限结束,需及时导出成果 |
第一次使用时,先确认 GPU 是否分配成功,再检查 PyTorch 是否识别 CUDA。将模型与输入放到同一设备;只修改运行时类型并不意味着程序已经用上 GPU。
尽量先在 CPU 上完成数据清洗和代码调试,GPU 只用于确实需要加速的步骤。缩小输入、batch size 和训练轮数,优先使用已有权重,定期保存 checkpoint。Kaggle 使用版本保存功能保留输出,Colab 将结果导出到获准使用的持久存储;临时运行目录不作为唯一备份。
免费 Notebook 按平台允许的方式使用。Colab 免费托管运行时不支持将 SSH 远程控制作为使用方式,不应套用实验室服务器的远程开发流程。长时间训练或受限医疗数据实验,使用导师安排的合适环境。
向工具交代清楚研究目标、已有材料、运行约束和期望成果。把较大的工作拆成可以逐项检查的任务,每完成一步,都保存结果并核对证据。
先自己阅读摘要、方法图和核心实验,形成初步理解,再让工具帮助解释具体难点。例如:
根据这篇论文,说明研究问题、核心方法、关键实验和局限,标注对应章节、公式或表格。区分作者的结论和你的推测。用一个小例子解释核心公式,最后提出三个检查我是否理解的问题。
写一页论文笔记,回答:输入输出是什么?方法改变了什么?哪项实验支持主要结论?哪些问题尚未验证?引文、公式和数字都应回查原文,工具推荐的相关论文也要核实。准备作为代码基础的论文,需要进一步理解其实现细节。
把论文和作者仓库提供给工具,先找到实际执行路径:
阅读 README、环境配置和主要代码,定位数据加载、训练、推理与评测入口,标明文件位置。追踪一个 batch 的张量形状,说明代码与论文的对应关系。列出所需数据、权重、显存和缺失条件,给出最小运行方案。
核对方案后,在独立环境中运行一个小批次,检查数据、损失和输出,再执行选定的正式实验。查看每次代码修改的差异;依赖调整和实现偏差都应写入记录。
复现前先确认材料能否获得。例如,BenchX 仓库 [20] 提供代码和数据处理说明,原始数据需要另行获取;CMM 仓库 [21] 提供评测资料,并列有数据使用限制。条件尚未具备时,可以先阅读代码、用模拟数据检查接口,或与导师更换任务。
基线是用来比较的参照方法。先保存基线结果,再确定要改变的因素,以及什么结果会支持或推翻自己的判断。例如:
基线已经跑通。我想比较两种模型在不同标注量下的表现。请固定患者划分、评价指标和训练预算,设计两个标注比例的实验。两个方法使用相同的训练子集,验证集和测试集保持不变。列出对照关系,再编写配置和运行脚本。
先小规模检查,再按预算扩大实验。用验证集选择超参数和阈值,在方案确定后评估测试集。若结果出现异常提升,先排查数据泄漏、标签处理和指标实现。
统一评测可从 BenchX [20] 支持的一个任务入手,确认两种可用权重,核对预处理和标签顺序,再进行比较。小批次运行用于检查流程,完整结论需要对应规模的正式评测。
将真实日志和预测文件交给工具,要求它从这些材料生成图表:
只使用提供的日志和预测文件整理结果,标注样本量、随机种子与运行配置,保留失败实验。区分观察结果、解释假设和尚未验证的结论。检查错误案例,指出最值得继续验证的问题。
图表由脚本生成,并保留原始数据。涉及随机训练时,在预算允许范围内使用多个种子、报告波动;只有一次运行则明确注明。没有稳定改善也应如实报告,并解释当前证据的局限。
让工具协助整理材料、润色论证和检查引用。最终需要自己解释关键代码,核对至少一个核心指标,并讲清一个失败案例。
把研究目标、数据路径、环境、运行命令、评价指标和预算写入项目规则,减少每次对话重复说明。Codex 使用 AGENTS.md;Claude Code 使用 CLAUDE.md,也可以在其中写入 @AGENTS.md 共享同一份规则。具体配置见 Codex 文档和 Claude Code 文档。
文末提供了可直接填写的模板。一个流程反复使用并验证有效后,可以将其整理为 Skill,例如论文笔记、复现检查或实验结果汇总。
以下节奏适合规划第一个项目,可根据基础、课程安排和实验条件调整。
| 阶段 | 任务 | 阶段成果 |
|---|---|---|
| 第1周 | 建立 Linux 开发环境和 Git 仓库,完成小型训练与评估,练习使用科研助手 | 可运行示例与 README,能解释数据流和损失 |
| 第2周 | 精读两篇论文,梳理作者代码,确认数据、权重和算力 | 两篇笔记与范围明确的复现计划 |
| 第3周 | 复现一篇论文中的一个任务,核对与原文的设置差异 | 配置、日志、预测及结果对照 |
| 第4周 | 完成一组对照或消融实验,分析错误案例并汇报 | 一个有证据支持的判断、简短报告和可重跑材料 |
与第08节的定期沟通对应,建议在第2周和第4周结束时各汇报一次:第一次确认选题、笔记与复现计划,第二次汇报复现结果与对照实验。使用现成权重完成评估时,说明完成的是推理或评测复现;仅运行小规模配置时,说明完成的是小规模验证。没有 GPU 时,也可以先做代码追踪、获准使用的预测文件评估和指标核验,再与导师安排后续训练。
医学数据按使用协议处理,检查患者级隔离,避免同一患者的信息跨训练与测试。真实病历、受限影像和未公开数据,只有在明确获准后才能发送到外部模型服务;密钥不应写入代码或实验报告。
公平比较需要一致的数据划分、预处理和评价方式,并记录模型权重与训练预算。分类、定位和生成任务应选择适合各自目标的指标;报告与对话还需要检查事实是否有证据支持。
每次实验保存代码版本、环境、配置、运行命令、原始日志和预测。保留负结果,不通过改变标签、划分或指标来追求更好数字。另一个模型给出相同答案,也不能代替原文核对或实验验证。
结论应与证据范围相符。小样本、模拟病例或单个数据集上的结果,都有相应局限。涉及医学含义的解释,应结合证据并请具备相应专业知识的人核验。
提交一份 PDF 报告,并附可编辑源文件。正文建议6至10页,参考文献和实验日志可另附;以讲清工作为准。报告按以下内容组织:
| 部分 | 具体要求 |
|---|---|
| 基础理解 | 不超过2页。围绕自己的任务解释数据、模型、损失和指标;用一个例子说明,不拼贴教材定义 |
| 两篇论文精读 | 每篇说明研究背景、具体问题、动机与贡献、方法图或关键公式、核心实验及局限;至少提出一个有依据的疑问 |
| 一项代码复现 | 写明论文版本、代码提交号、Linux/Python/框架环境、数据划分、权重、运行命令、超参数和评测设置;列出原文与自己结果的对照表 |
| 对照或消融实验 | 说明假设、基线、改变的因素和控制条件;报告样本量、随机种子、主要指标和至少一个失败案例;解释偏差与局限 |
| 个人思考与下一步 | 写清学会了什么、哪些问题仍不理解,提出一个可以执行的后续实验 |
| 参考文献与 AI 使用 | 文内引用与文末条目一一对应;说明 AI 协助的步骤、关键修改、纠正的错误及人工核验方式 |
复现未达到原文结果时,按数据、预处理、权重、训练预算和实现差异逐项分析。未运行的实验明确标注,不用推测数字填补结果表。背景和方法要讲清,实验部分也应足以让读者判断结论是否成立。
提交代码仓库链接或源码压缩包,至少包含以下材料:
README.md:研究问题、目录说明、数据获取条件、环境安装、从数据准备到训练/推理和评测的完整命令,以及当前完成范围。requirements.txt 或 environment.yml、训练配置和固定的数据划分标识;保存代码版本及随机种子。提交前,从一个新建环境按 README 重跑最小示例,确认其他人能找到所需材料。代码截图可以解释局部实现,但必须同时提供可运行代码。
准备10至12页幻灯片,汇报约10分钟,并预留讨论时间。建议按“问题与背景1至2页、两篇论文的方法和关键证据4页、自己的复现与对照3至4页、局限和下一步1页”组织,可按内容调整。
每页只保留一个主要信息,方法图、结果表和对照样本应能独立看懂。图表有标题、坐标、单位和必要图例;引用或改绘的图表在当页底部标明来源。中文和英文分别保持一致字体,字号以投影可读为准;不依赖动画呈现关键内容。提交 PDF,同时保留 .pptx 或 Beamer 源文件。
汇报时准备回答:为什么研究这个问题?方法相对基线改变了什么?一次前向传播的数据形状如何变化?为什么选这个指标?哪项结果支持结论?AI 写出的哪些关键部分经过了你的检查?
文件统一命名为 姓名_方向_材料类型_日期,例如 张三_医学基础模型_报告_20260930.pdf。提交报告 PDF、幻灯片 PDF、源码或仓库链接,并附3至5行摘要:完成了什么、主要发现、尚存问题和希望讨论的内容。通过导师指定渠道提交;联系信息见周阳老师主页,共享链接应保证接收人可访问。
建议每两周左右沟通一次,时间可按课程安排与实验进度调整。用一页笔记说明这段时间完成的任务,附实验编号、图表或代码链接;记录阻塞问题及已尝试的方法,列出下一阶段1至2项具体工作。遇到报错时,提供环境、完整错误信息和最小复现步骤;涉及密钥或受限数据的内容先移除。
将以下内容填入项目的 AGENTS.md,根据任务更新路径和命令。
# 项目
- 研究问题:
- 参考论文、版本与作者代码:
- 复现范围与基线:
- 数据来源、使用条件与固定划分:
- 环境、权重与运行命令:
- 主指标与验证集选择规则:
- 设备、运行时间与费用预算:
# 工作约定
- 依据论文和真实代码开展工作,标注缺失信息与推测。
- 原始数据和既有结果只读,新增输出放入独立实验目录。
- 保持既定数据划分、标签、指标和预算;调整前说明原因。
- 正式运行前先做小批次检查,保存配置、命令和日志。
- 图表只使用真实输出,未运行的结果注明“未运行”。
- 外部服务只接收获准发送的材料,不输出密钥。
- 完成后说明修改内容、验证结果和尚未解决的问题。# 论文标题
- 来源:论文链接、版本与作者代码。
- 问题:输入输出是什么,现有方法有什么不足?
- 方法:核心思路是什么,对应哪张图或哪个公式?
- 证据:哪些实验支持结论,对照是否充分?
- 局限:哪些条件限制了结论?
- 下一步:我最想验证什么,如何做最小实验?
- 核对:AI解释了什么,我如何回查原文?# 实验编号
- 假设、基线与本次改变的因素:
- 数据划分、样本量与预处理:
- 代码版本、环境、模型权重与配置:
- 运行命令、种子、设备与耗时:
- 指标、预测、日志和作图脚本路径:
- 观察结果、解释假设与局限:
- AI协助的步骤与人工核验:MerMED-FM: Multimodal, Multi-Disease Medical Imaging Foundation Model
The Lancet Digital Health, 8(7):101007, 2026.
UrFound: Towards Universal Retinal Foundation Models via Knowledge-Guided Masked Modeling
MICCAI, pp. 753–762, 2024.
A foundation model for generalizable disease detection from retinal images
Nature, 622(7981):156–163, 2023.
RETFound · 代码
A fully open AI foundation model applied to chest radiography
Nature, 643(8071):488–498, 2025.
A multimodal vision foundation model for clinical dermatology
Nature Medicine, 31(8):2691–2702, 2025.
PanDerm · 代码
Merlin: a computed tomography vision-language foundation model and dataset
Nature, 652(8112):1318–1328, 2026.
Medical Phrase Grounding with Region-Phrase Context Contrastive Alignment
MICCAI, pp. 371–381, 2023.
A clinical multimodal vision language foundation model with fine-grain explainability
Nature Medicine, 2026.
EVLF-FM · arXiv
A universal foundation model for grounded biomedical image interpretation
Nature Communications, 17(1):7173, 2026.
UniBiomed · 代码
A generalist foundation model and database for open-world medical image segmentation
Nature Biomedical Engineering, 10(5):1026–1041, 2026.
MedSegX
Topicwise Separable Sentence Retrieval for Medical Report Generation
IEEE Transactions on Medical Imaging, 44(3):1505–1517, 2025.
Note2Chat: Improving LLMs for Multi-Turn Clinical History Taking Using Medical Notes
AAAI, 40(41):35149–35157, 2026.
Towards conversational artificial intelligence for disease management
Nature, 655(8125):1292–1299, 2026.
AMIE
An agentic system for rare disease diagnosis with traceable reasoning
Nature, 651(8106):775–784, 2026.
DeepRare · 代码
ComBodied Agents: a New Paradigm of Human-Centric Agentic AI
arXiv:2608.10915v2, 2026.
Autonomous biomedical research with an artificial intelligence agent
Science, 393(6813):eadz4351, 2026.
A multimodal sleep foundation model for disease prediction
Nature Medicine, 32(2):752–762, 2026.
SleepFM · 代码
Generalized biological foundation model with unified nucleic acid and protein language
Nature Machine Intelligence, 7(6):942–953, 2025.
LucaOne · 代码