Claude 优化生物分子建模开源模型，平均提速约 4 倍
Claude 让科学家用于预测和设计生物分子的开源模型变得更快、更省内存：它在不到四周内优化了 30 多个这类模型，平均提速约 4 倍；还开发了一种低显存模式，使单个 NVIDIA GPU 节点即可准确预测超过 10,000 个 token（氨基酸、核苷酸，以及来自小分子和离子的原子）的生物分子体系。
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
ScienceIDE：把全球科学代码库变成智能体可学习的环境
PhAI Labs 提出 ScienceIDE，旨在把科学代码仓库转化为智能体可编程的学习环境。论文指出，工具链碎片化、隐性领域惯例与专门的正确性标准，使科学知识难以转化为可靠的学习经验，作者称之为“科学经验瓶颈”。在专家定义的科学案例与验收标准引导下，智能体将仓库改造成可执行环境，支持任务生成、执行与科学验证，为监督微调、强化学习和评测提供共享基础。利用经过验证的交互轨迹，研究训练了 PhAI-IDE-72B、PhAI-IDE-9B 和 PhAI-IDE-4B，模型在留出的科学代码修复任务及部分通用代码、推理与知识基准上均有所提升，表明科学经验可能向更广泛能力正向迁移。
AI如何改变生命科学：多学科研究者谈机遇与挑战
人工智能正在改变生物医学研究的方式，使整合多种类型的生物数据、处理过去难以回答的问题成为可能。与此同时，AI的日益广泛应用也带来一系列重要问题：数据质量、可靠性、可解释性，以及如何将计算预测与生物学知识和实验验证相结合。在这篇Voices文章中，来自不同学科的研究者分享了AI在各自领域中的推进方式，既指出变革性机遇，也强调将塑造生命科学未来的关键挑战。
众包游戏 Steering Arena 如何检验 Olmo 3 的亲社会引导
东北大学硕士生 Soham Padia 用 Olmo 3 测试众包评估亲社会行为能否暴露小团队易忽略的弱点。他把评估做成游戏 Steering Arena：玩家提交简短文本前缀以影响模型，观察其把 Olmo 3 推向更亲社会回答的强度，并争夺排行榜首位。该评估使用 135 组对比文本，覆盖共情、公平、安全、隐私、尊重等 15 项品质。Padia 通过美国 NSF 支持的 National Deep Inference Fabric 远程使用 Olmo 3-32B。他强调，仅有开放权重不够，Olmo 记录了数据与后训练过程，才能判断亲社会方向源自预训练还是后续微调——多数模型无法回答这一问题。
sOrganellomics 以多细胞器特征绘制组织中的细胞状态多样性与代谢适应
现有细胞状态研究多依赖转录组分析，忽略了作为代谢与应激关键指标的细胞器结构。研究者开发了空间细胞器组学流程 sOrganellomics，将自动分割与机器学习结合，依据多细胞器特征对细胞状态进行分类并作空间定位。在肝与胰腺中，这些特征可区分大类细胞群。在肝脏中，分区位置不足以解释由细胞器定义的肝细胞类别：肝细胞在经典分区内交织成群，支持更细化的亚区多样性模型。营养压力重塑了这一组织方式；活体成像将禁食诱导的细胞器重塑与体内线粒体膜电位改变联系起来，支持把多细胞器结构作为组织适应的结构性读出。