Goodfire AI 推出 Silico 讓使用者重現學術論文

Goodfire AI 推出 Silico 讓使用者重現學術論文。 Goodfire AI 近期公開了其研究平台 Silico 的私有 Beta 版本，該平台旨在模擬 AI 研究團隊的實驗能力，協助使用者快速重現複雜的 AI 研究成果。Silico 透過自動化流程，將原本需要數月開發的實驗縮短至數天內完成，並提供模型內部的可視化分析工具。 核心功能與實驗重現 Silico 具備強大的自動化研究能力，能針對特定模型執行複雜的實驗任務： J-space 重現：在 GLM-5.2 模型上成功重現 J-space，並將 context window 擴展至約 256k token，在多跳（multi-hop）問答任務中達到與原研究一致的關鍵結果。 RLFR 方法實作：Silico 在兩天內重現了 Goodfire AI 團隊耗時數月開發的 RLFR（Reinforcement Learning from Feature Rewards）方法。該方法利用模型內部的探針（probes）作為強化學習的獎勵訊號，成功將 Qwen3-8B 的幻覺率降低了 37%，且未造成模型能力的損失。 根據 Goodfire AI 的實驗，利用內部探針作為強化學習回饋的 RLFR 方法，在 GRPO 訓練 150 步後，成功將 Qwen3-8B 的真實幻覺率從約 0.29 降低至 0.15，且未發生能力損失。 自動化研究流程：根據平台展示，使用者可上傳 PDF 論文，系統會自動解析並提供「Replicate a paper」選項，自動生成實驗計畫與訓練堆疊（Training stack），包含 GRPO 訓練器、採樣器及幻覺探針環境。實驗啟動後，系統可自動執行 Slurm 指令並即時串流訓練指標，如 reward/mean、hallucinate_rate/eval 與 loss/value 等。 Silico 平台展示了透過上傳研究論文並自動化執行實驗、擴展訓練規模及分析模型表徵的完整研究流程。 模型內部表徵分析 Silico 強調「透視」模型內部學習機制的能力，讓研究者能觀察模型如何理解資料： 蛋白質語言模型分析：透過在蛋白質語言模型上使用 BSFs（Block-Sparse Featurizers），Silico 在無監督的情況下，於模型內部發現了與已知蛋白質結構相關的表徵子空間（subspaces）。 Silico 在無監督的情況下，成功發現蛋白質語言模型中的子空間激活狀態與已知的 AlphaFold 蛋白質結構（Q7XP65）高度相關。 病理模型解釋：平台展示了對 Midnight-12k 模型的一次性（one-shot）重現，透過 PICASSO 技術解釋數位病理模型。該技術能將模型所見的影像拆解為可讀的概念，識別出哪些特徵驅動了癌症預測，並模擬組織變化如何影響模型的預測結果。 概念調整演示：在概念調整介面中，使用者可透過調整「concept push」滑桿（如 Concept c26120），即時改變生物組織切片影像的特徵表現，從平滑結構演變為高密度病理特徵，並即時監控 mean realized 數值變化。 該影片展示了 Goodfire AI 平台透過調整「Concept c26120」的推力參數（push level），即時改變四組生物組織切片影像特徵的演示過程。 擴展與存取 Silico 支援大規模運算資源的調度，在展示中曾將訓練規模擴展至 64 個節點、512 個 GPU，以處理如 GLM-5.2 等大型模型的實驗需求。目前該平台已開放私有 Beta 測試申請，有興趣的使用者可透過 Goodfire AI 官方網站 提出存取請求。Silico 平台展示了透過上傳研究論文並自動化執行實驗、擴展訓練規模及分析模型表徵的完整研究流程。 影片中的 Prompt 與操作：Prompt（00:02）： 重現這篇論文原文：replicate this paperPrompt（00:22）： 現在擴大它的規模原文：now scale it upPrompt（00:23）： 現在將其擴大到 GLM 5.2原文：now scale it up to GLM 5.2Prompt（00:31）： 訓練是如何重塑模型的表徵？原文：how did training reshape the model's representations?操作步驟： 1. （00:01）上傳 PDF 檔案 2. （00:02）輸入「replicate this paper」並送出 3. （00:08）點擊「Launch experiment」 4. （00:22）輸入「now scale it up」並送出 5. （00:23）輸入「now scale it up to GLM 5.2」並送出 6. （00:29）輸入「how did training reshape the model's representations?」並送出該影片展示了 Goodfire AI 平台透過調整「Concept c26120」的推力參數（push level），即時改變四組生物組織切片影像特徵的演示過程。 影片中的 Prompt 與操作：操作步驟： 1. （00:00）調整 concept push 滑桿至 p50 2. （00:01）調整 concept push 滑桿至 p90 3. （00:02）調整 concept push 滑桿至 1.5x p99 4. （00:03）調整 concept push 滑桿至 3x p99 5. （00:04）調整 concept push 滑桿至 2x p99 6. （00:05）調整 concept push 滑桿至 p99 7. （00:06）調整 concept push 滑桿至 p75原文：https://easyvibecoding.app/curated/2501-goodfire-ai-launches-silico-reproduces-papers