The Turing Way项目五周年庆典:开放科学社区的发展与展望
The Turing Way是一个由社区驱动的开放科学项目,旨在为数据密集型研究提供可重复性、伦理性和协作性的实践指南。该项目于2019年在英国Loughborough举办的Collaborations Workshop上首次发布,经过五年的发展,已成长为一个拥有450多位协作者、300多章节的综合性资源库。在即将到来的CW24研讨会上,The Turing Way社区计划举办一场特别的60分钟工作坊,庆祝这一里程碑,并展望未来发展方向。
核心章节展示
工作坊将重点展示三个与CW24主题相契合的章节:
-
代码测试实践
作为项目最早发布的章节之一,该部分强调在AI辅助编程时代保持"人类在环"的重要性。随着大型语言模型被广泛用于代码生成,本章节特别警示了完全依赖AI编写测试用例的风险——这相当于让AI"自己批改作业"。社区将分享如何建立有效的测试流程,确保代码质量的同时保持人类监督。 -
数字研究的环境影响
这一章节体现了The Turing Way与Pangeo、环境数据科学手册等社区的协作成果。内容不仅涵盖如何将开放研究实践应用于环境数据科学,还深入探讨了如何评估和减少数据科学工作流程的碳足迹。社区成员正在参与ELIXIR环境影响焦点小组等工作,推动该领域的实践发展。 -
包容性研究活动设计
这是即将合并的新章节,由AI for Multiple Long Term Conditions研究支持设施与The Turing Way可访问性工作组联合开发。该指南特别关注如何有效整合患者和公众参与(PPIE),打破"公民"与"科学家"之间的界限,确保研究活动对各类参与者都具有包容性。
互动环节设计
工作坊将采用混合形式,同时照顾线下和线上参与者的体验:
-
回顾与展望讨论:通过分组讨论,收集社区对过去五年开放科学发展变化的观察,以及对未来五年前景的预测。线下使用便利贴,线上使用Miro协作板记录观点(组织者已注意到Miro的可访问性限制,将安排专人协助视障参与者)。
-
生日庆祝环节:工作坊最后将进行简短的生日庆祝,线下参与者可以共享蛋糕(包含素食和无麸质选项),全体成员齐唱生日歌,象征社区的持续成长与活力。
社区协作模式
The Turing Way的成功很大程度上归功于其开放的协作模式:
- 任何人都可以通过GitHub提出修改建议或新增内容
- 定期举办协同写作会议,降低新贡献者的参与门槛
- 建立专门的主题频道(如环境可持续性频道)深化特定领域的讨论
- 通过播客、新闻通讯等多渠道扩大影响力
这种模式不仅保证了指南内容的多样性和时效性,也培养了一个全球性的开放科学实践者网络。五周年庆典既是对过往成就的肯定,也是对未来协作创新的号召。随着AI技术、环境挑战等新议题不断涌现,The Turing Way社区将继续演化,为负责任的研究实践提供与时俱进的指导。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00