升级后的英国国民医疗服务体系(NHS)应用程序将成为政府应对 NHS 等待时间危机的选择性改革计划的核心部分。卫生与社会保障部(DHSC)表示,升级后的 NHS 应用程序将使患者能够选择医疗服务提供者、在更多场景下预约就诊,并在同一平台上接收检测结果。
NHS 首席执行官阿曼达·普里查德表示:"作为选择性改革计划的一部分,我们将充分发挥 NHS 应用程序的潜力,为患者提供更多信息、选择和对其医疗的控制权,同时释放我们员工的时间,使他们能够更高效地工作。利用技术革新 NHS 医疗服务的获取方式,同时在人们家附近提供更多检查、筛查和扫描的可用性,将帮助我们缩短等待时间,让患者在选择性医疗中掌握主动权。"
选择性改革计划旨在缩短等待时间,将等待时间减少到 18 周,并为患者提供更多选择和控制权。作为其变革计划的一部分,新的 NHS 应用程序是政府一系列提案中的一项,目的是赋予患者更多权力,让他们决定如何以及何时接受选择性治疗。
未按时就诊会显著延误患者接受治疗的时间,增加选择性服务的压力,甚至可能影响医疗服务的其他领域。根据 DHSC 的数据,当患者收到预约提醒时,未按时就诊的比例可降低高达 80%。
为了减少未按时就诊的比例,政府表示,升级后的 NHS 应用程序将使需要非紧急选择性治疗的患者能够在方便的时间和地点查看和管理预约。该应用程序还将使患者能够从广泛的医疗服务提供者中进行选择,包括独立部门,并通过 NHS 应用程序在便利的地点预约诊断检查,如当地购物中心的社区诊断中心(CDCs)。
DHSC 表示,医疗服务正在试行一个人工智能系统,该系统可识别更有可能错过预约的患者,并为最需要帮助的人提供支持,如免费交通服务。
NHS 应用程序还被定位为加快处理检测结果的方式。目前,大多数患者通过医生的电话或包含结果或进一步讨论预约指示的信件获得检测结果。这通常发生在诊断之后的很长一段时间。
为了解决这一效率问题,NHS 应用程序将提供一个统一的平台,患者可以在这里接收检测结果,并预约后续的虚拟咨询或诊所就诊。
卫生与社会保障大臣韦斯·斯特里汀表示:"本政府的改革议程将把 NHS 从一个一刀切、自上而下、'爱它或离开它'的服务,转变为一个让患者掌控主动权并按时得到治疗的现代服务——实现我们推动国家十年更新的变革计划。通过将我们的模拟 NHS 带入数字时代,我们将把等待时间从 18 个月缩短到 18 周,并为工人阶级患者提供与富人相同的选择、控制权和便利。"
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。