最新

嘿，HN， 我们在账单系统中反复遇到的一个问题是与人相关的因素。 客户常常询问： “我当前的余额是多少？”“哪个发票还未支付？”“为什么上周的使用量激增？”而通常的回答是有人在翻阅仪表板、导出PDF文件或粘贴截图。 因此，我们在Flexprice（开源计量和账单基础设施）中构建了一个只读的客户账单门户。 这个门户让客户能够查看： - 订阅和账单周期 - 预付钱包余额和信用交易 - 发票（状态、搜索、下载） - 功能级别的使用情况和费用明细 文档（包括API和会话模型）： [https://docs.flexprice.io/docs/customers/customer-portal](https://docs.flexprice.io/docs/customers/customer-portal) 我很好奇这里的其他人是如何处理面向客户的账单用户体验的，特别是在访问控制和审计能力方面。如果你有任何特别的问题，欢迎提问或加入我们的社区 - [http://bit.ly/4huvkDm](http://bit.ly/4huvkDm)

嗨，HN， 我和我的朋友一直在尝试使用大型语言模型（LLMs）来分析生物技术股票。与许多其他行业不同，生物技术交易主要是事件驱动的：FDA的决策、临床试验结果、安全更新或试验设计的变化都可能导致股票在一天内上涨三倍（[链接](https://www.biotradingarena.com/cases/MDGL_2023-12-14_Resmetirom_NASH)）。 解读这些“催化剂”，通常以新闻稿的形式出现，通常需要具备生物学或医学背景的分析师。听起来“积极”的催化剂，如果出现以下情况，仍然可能导致抛售： - 效果大小低于预期 - 结果仅适用于狭窄的子群体 - 终点指标未能有效降低后期阶段的风险 - 结果未能实质性改变批准的概率 为了探索这一点，我们建立了BioTradingArena，这是一个评估LLMs如何解读生物技术催化剂并预测股票反应的基准。基准测试仅提供催化剂和新闻稿发布前可用的信息（试验设计、先前数据、PubMed文章和市场预期），以测试模型在催化剂发布时预测股票走势的准确性。 目前，该基准包含317个历史催化剂。我们还为特定适应症创建了子集（在肿瘤学中规模最大），因为不同的适应症通常具有不同的模式。我们计划在接下来的几周内向公共数据集中添加更多催化剂。该数据集涵盖不同规模的公司，并创建了调整后的评分，因为大盘生物技术公司的波动性通常远低于小盘和中盘公司。 每行数据包括： - 真实的历史生物技术催化剂（1-3期结果、FDA行动等）及催化剂前一天和当天的定价数据 - 相关的临床试验数据和PubMed PDF 需要注意的是，我们的方法可能存在一些明显的问题。首先，许多临床试验新闻稿可能已经包含在LLMs的预训练数据中。虽然我们尝试通过“去标识化每个新闻稿”并仅提供催化剂日期之前可用的数据来减少这一点，但显然对于这是否足够仍存在一些不确定性。 我们一直在使用这个基准测试提示策略和模型家族。到目前为止，结果喜忧参半，但有趣的是，我们发现最可靠的方法是使用LLMs量化定性特征，然后对这些特征进行线性回归，而不是直接预测价格。 只是想和HN分享这个。我为那些想在沙盒中玩耍的人建立了一个游乐场链接。期待听到一些想法，希望大家能玩得开心！