Discovery Foundation Models：迈向开放式发现智能
这是 PhAI Labs 技术报告，不是同行评审期刊论文。官网把发布日期标为 9 月 15 日，链接 PDF 封面标为 9 月 12 日；关联的 arXiv 预印本为 2609.15973，于 9 月 14 日 17:56 UTC 提交。报告提出研究框架并列举系统实例，但本身不证明后续模块已发布、已集成，或作为组合产品完成验证。
JUAN LI · AI4SCIENCE
每日简报最近值得追踪的 AI4Science 动态
从有可靠来源、已完成中英文整理的动态中，优先挑选信息完整、便于核验的事件。简报由 AI 自动编排，条目默认为 AI 生成、未逐条人工审核（人工复核条目单独标注），引用科学结论前请核验原始来源。
精选依据：只收录有可靠来源、已完成中英文整理的 AI4Science 动态；优先保留信息更完整、便于核验的事件。
5 条
PhAI Labs 提出 DFM 研究范式
公开研究版图为未来研究方向预留了位置，不表示每一项实现均已完成或发布。公告当时，三个命名模块仍是分别排期的独立工作；原文明确说明它们尚不是已完成集成的产品。此条记录的是公告本身，不是这些未来发布的结果。
LabAgent：面向实验室持续科研的复现与发现工具
实验室人员更替（如学生毕业）常使需要复现方法的人手短缺，前期耗费大量精力与资源开发的方法难以为继。为此提出 LabAgent，一个面向实验室持续工作的复现与发现工具（reproduce and discovery harness）。它采用两种机制：保证所有技能可执行、可验证，并记录纠错方法与经验，从而可直接修正或避免类似错误。作者将其应用于生命科学领域的药物性质预测、生物医学问题分析、蛋白质变体效应预测和统计遗传学，在每个领域中排名均优于商用通用智能体，并准确复现了已发表论文中的一幅图。整体结果表明，LabAgent 能有效整合并合理扩展实验室知识。
RAGCell：以检索增强生成作为监督信号的多功能单细胞分析框架
现成的单细胞基础模型存在两大问题：预训练需在海量细胞上进行、资源消耗大；基于大语言模型的模型则忽视了文本空间与原始细胞空间之间的巨大异质鸿沟，下游任务能力不足。RAGCell 提出双管齐下的方案：借助 LLM 构建细胞级和特征级知识数据库，作为训练细胞模型的监督信号，显著降低训练成本（优于预训练型 scFM）；同时将细胞表征与双层知识库的文本嵌入对齐，实现文本空间向细胞空间的知识迁移，缓解异质鸿沟（优于 LLM 型 scFM）。在六项下游单细胞分析任务的广泛实验中，RAGCell 性能优于最先进的 scFM，而成本不到预训练型 scFM 的约十分之一。
Yash Saxena 访谈：AI 系统如何使用外部知识
在 IJACI-ECAI 2026 博士联盟系列访谈首篇中，马里兰大学巴尔的摩分校（UMBC）计算机科学博士生 Yash Saxena（导师 Manas Gaur，KAI2 实验室）介绍其研究：让使用外部信息的 AI 系统更易理解与审计，追踪证据从来源、选取理由到是否支撑论断的全流程，他将该方向称为 IKnowFlow（Interpretable Knowledge Flow）。其早期工作 REASONS 在 12 个研究领域、逾 20,000 篇科学论文上评估检索与引用生成；对比“随答案生成引用”与“事后添加引用”两种方式的人工评估显示，事后添加更准确，但也说明单有引用未必能揭示模型如何得出答案。