形式化数学系统开始把“证明正确”与“提出值得证明的问题”分开评估
新的评测不再只统计最终定理是否被证明，而是单独记录猜想生成、证明搜索和人类可读解释，让数学发现中的不同能力不再被一个总分吞掉。
为什么值得看
它改变的不是排行榜名次，而是我们如何定义“AI 在做数学”。
Paper ✓Code ✓Dataset 部分开放独立复现中
蛋白质设计模型开放推理代码，把“可复现性”变成发布事件的一部分
预印本、代码仓库、模型权重与湿实验验证被折叠为同一个研究事件；读者不必在六篇报道之间重新拼接证据链。
为什么值得看
重点不是又一个更大的模型，而是计算产物和实验结果能否被第三方检查。
Paper ✓Code ✓Wet-lab ✓外部复现 —
天气基础模型从单次性能发布，转向跨区域、跨时段的失效边界比较
“更准”的宣传语被拆成评估对象、基线、空间外推与极端事件表现，避免把平均误差的改进写成普遍可靠。
为什么值得看
科学信号是评价单位变化：从平均榜单转向模型究竟会在哪里失效。
Paper ✓Code —多区域评估 ✓同行评审中
科学智能体的评价开始从“能否提出假设”转向“闭环实验是否产生可验证增益”
Agent 演示、实验设计、机器人执行与真实测量被分开记录，一个流畅的研究故事无法再遮住断掉的证据链。
为什么值得看
这决定“AI Scientist”是界面演示，还是能对真实科学发现产生增量的系统。
Protocol ✓Experiment ✓单实验室Replication —
JUAN'S NOTE · 人工判断
生态学真正需要追踪的，不是模型榜，而是“现场真值”有没有进入反馈闭环。
当传感器和视觉模型让 detections 暴增，评价分母应是经独立复判的 site × season × taxon 有效覆盖，而不是设备或文件数。