BioAlchemy: KI-Trainingsdaten aus biologischer Literatur für bessere Forschung

Obwohl die Biologie über ein riesiges Korpus an Trainingstexten verfügt, hinkt die Anwendung von Rechenmodellen für logisches Denken in diesem Fachgebiet hinter den Fortschritten in Mathematik und Programmierung zurück. Ein Grund dafür ist, dass die Fragen aus den derzeitigen großen Reasoning‑Datensätzen nicht gut zu den aktuellen Forschungsthemen in der Biologie passen, was zu einer starken Themenungleichgewicht führt und die Leistung der Modelle beeinträchtigt.

Um dieses Problem zu lösen, hat ein Forschungsteam die Pipeline BioAlchemy entwickelt. Sie extrahiert aus wissenschaftlichen Texten eine vielfältige Sammlung überprüfbarer Frage‑Antwort‑Paare, die echte Forschungsprobleme widerspiegeln. Das Ergebnis ist das Dataset BioAlchemy‑345K, das über 345 000 biologische Reasoning‑Aufgaben enthält.

Durch die Ausrichtung des Datensatzes auf die aktuelle Themenverteilung in der Biologie konnten die Entwickler mit Hilfe von Reinforcement‑Learning die Leistungsfähigkeit von Modellen deutlich steigern. Das neu trainierte Modell BioAlchemist‑8B übertrifft sein Basismodell um 9,12 % bei biologischen Benchmarks und demonstriert damit die Wirksamkeit der Methode, stärkere wissenschaftliche Denkfähigkeiten zu entwickeln.

BioAlchemist‑8B ist öffentlich zugänglich unter https://huggingface.co/BioAlchemy.