# 策展 · X (Twitter) 🔥🔥🔥🔥
> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)
> 作者：Goodfire (@GoodfireAI) · 平台：X (Twitter) · 日期：2026-07-15
> 原始來源：https://x.com/GoodfireAI/status/2077073005088501780
## 中文摘要
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](https://www.goodfire.ai/contact) 提出存取請求。
## 媒體內容
**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 paper
Prompt（00:22）：
```
現在擴大它的規模
```
原文：now scale it up
Prompt（00:23）：
```
現在將其擴大到 GLM 5.2
```
原文：now scale it up to GLM 5.2
Prompt（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
**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。**
**數據表**
| | 起始 | 最佳 | 結束 |
| --- | --- | --- | --- |
| probe-estimated hallucination rate | 0.34 | 0.26 | 0.26 |
| real hallucination rate (Claude fact-check) | 0.29 | 0.15 | 0.15 |
**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。**
**數據表（1）ACTIVATION MANIFOLD – 3D PCA**
| | EVR |
| --- | --- |
| 對象=Q7XP65 (358 residues) | 0.036 / 0.029 / 0.021 |
**數據表（2）ALPHAFOLD STRUCTURE – CARTOON, COLOURED BY THE SAME MAP**
| | 對象 | 殘基數 | 樣式 |
| --- | --- | --- | --- |
| 模型=AlphaFold v6 | Q7XP65 | 358 residues | cartoon (helix ribbon / sheet arrow / coil tube) |
**數據表（3）SEQUENCE – PER-RESIDUE ACTIVATION (SAME COLOUR MAP) + NAMED PFAM / CATH / TED DOMAINS**
| | CATH | TED |
| --- | --- | --- |
| Pfam=Non-haem dioxygenase, N-terminal d, Isopenicillin N synthase-like, Fe(2 | Isopenicillin N synthase-like superfamily | 2.60.120.330, 2.60.120.330 |
**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
## 標籤
新產品, 研究論文, 自動化, Goodfire AI