GitHub Blog
该文章将关注点从编写代码转向编排AI智能体，为设计可靠且包含检查与控制的工作流提供了实用建议，对采用AI辅助开发的团队具有重要意义。 (score: 0.85)
单次提示的演示很容易，但构建可靠系统需要设计包含检查和控制的流程。开发者的角色正在转变为编排者：定义触发条件、限定智能体权限、决定哪些环节需要人工判断。GitHub Copilot 作为控制平面，通过确定性 CI 检查、分支保护和审查建立信任。建议从小范围工作流开始逐步扩展。
- 单次提示演示容易，但可靠系统需要设计好的工作流程。
- 开发者角色从编写代码转向编排智能体与设计交付系统。
- CI、测试和分支保护等确定性检查能建立对智能体输出的信任。
- GitHub Copilot 作为控制平面，连接智能体与事件驱动自动化。
- 从小范围工作流开始，如问题分类或文档测试同步。
GitHub Copilot / AI agents / developer role / orchestration / CI/CD / workflows / GitHub Actions / software development
Microsoft Research Blog
该文章介绍了CARE-X，一个结合生成与判别能力并使用强化学习的统一胸部X射线视觉语言模型，展示了临床性能提升，对医学AI研究人员和实践者具有参考价值。 (score: 0.82)
CARE-X是微软研究院开发的一种统一胸部X射线视觉语言模型，旨在支持多种临床解读任务。它通过辅助监督结合生成与判别能力，使用强化学习（DAPO）优化临床正确性，并探索工具增强测量来处理依赖精确计算的结果。在印度真实临床数据上的评估显示，该模型在罕见ICU病况和CT确认的扩大病况上表现改善。模型提供校准的置信度和灵活的輸出，适用于报告生成、分类和定位等任务。
- CARE-X在一个胸部X射线VLM中结合了生成与判别能力，提供自由文本和结构化预测。
- 辅助监督（分类和定位头）提升了生成性能，并提供校准的置信度分数。
- 强化学习（DAPO）使模型在多任务中与临床正确性对齐。
- 工具增强测量显著提高了对依赖测量的病况（如心脏肥大和主动脉扩大）的性能。
- 在印度医院数据上验证，CARE-X在罕见ICU病况上表现出稳健的敏感性，并在CT确认的扩大病例上达到94%召回率。
- CARE-X在ReXrank ReXVQA排行榜上以94%的准确率排名第一。
radiology / AI / chest X-ray / vision-language model / medical imaging / reinforcement learning / auxiliary supervision / clinical decision support