JUAN LI · AI4SCIENCE
每日简报从有可靠来源、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。
Google DeepMind 将 SynthID 水印引入生物学（SynthID Bio），称首批带水印的蛋白结合物仍能结合。在针对 VEGF-A、SARS-CoV-2 刺突蛋白 RBD 与 PD-L1 三个靶点的湿实验中，带水印设计在命中率、结合亲和力和天然序列多样性上“与未加水印版本相当”，公司称之为“史上首批带水印且具生物功能的蛋白结合物”。相关方法以论文《Function-preserving watermarking of AI-generated proteins》在 Nature 同行评审发表，Google 将其定位为概念验证。水印写入序列本身，可在合成出的实体蛋白上验证；AlphaFold 3 通过微调扩散网络的一部分，让预测坐标自带可检测签名且保持精度。Google 也承认水印目前难以抵御蓄意篡改，建议结合类似 C2PA 的来源元数据或集中式数据库。
Asta（Allen Institute for AI 的科研智能平台）开源了 AstaBrief 8B——一个把研究问题与检索到的文献片段一次性生成带引用报告的小模型，同时开放训练数据。该模型基于数以万计真实研究查询、引用导向的筛选、偏好数据，以及一次性写完整篇报告的新版生成管线训练而成。在 Asta 全流程中，Fast 模式平均每份报告耗时 51.1 秒，Thinking 模式（由 Claude 驱动）为 178.5 秒，约快 3.5 倍，生成时间接近一个数量级的下降。开源权重也便于机构在自有基础设施上运行，以应对涉及敏感或未发表研究的问题。
Google DeepMind 推出 SynthIDBio，把隐形签名直接嵌入生物序列与三维结构，且不干扰其功能。若模型输出蛋白质序列，水印是藏在氨基酸顺序中的密文；若预测三维生物分子结构，水印则是隐藏在原子三维坐标中的不可见图案。研究人员在实验室中制备了针对三种特定分子的水印蛋白结合物，包括部分新冠病毒刺突蛋白、参与血管生长的人类蛋白和参与免疫调节的人类蛋白。结果显示，水印蛋白与三种靶点的结合强度与无水印版本相当，检测工具正确识别了全部水印蛋白序列和超过 99.8% 的水印三维结构，且水印未显著影响蛋白功能或三维结构精度。相关论文发表于 Nature。
掩码扩散语言模型（dLMs）为复杂推理提供了可并行的自回归替代方案，但存在信用分配难题：去噪过程中的少数几步承诺会大幅削减其余掩码位置的不确定性，并主导整个回答。现有后训练方案多在最终文本上训练，或把奖励归到整个去噪步骤，而不会挑选具体承诺。Pivot-SD 是一种高效离线自蒸馏框架，用信息增益指标衡量对剩余掩码位置的不确定性削减，只监督这些高影响的“枢轴”（pivots）：成功轨迹的枢轴用交叉熵训练，失败轨迹的枢轴用针对性的非似然训练，失败轨迹其余部分保持不动。仅用 200 个问题、每个 4 次采样，Pivot-SD 在数学与代码基准上均优于全序列 SFT 和预算相当的扩散 RL 基线，提升了 LLaDA-8B-Instruct。
机器嗅觉的发展受制于数据稀缺与描述标签缺乏标准化，多源数据整合面临跨来源标注不一致、同义词冗余、分布偏斜等标签层面冲突。为此，作者提出SEA分类框架，将统计共现分析、专家香料学知识与基于百科全书及嗅觉科学文献定义的AI辅助语义对齐相结合。在此基础上构建了统一标签的气味数据集OdorNet，收录超过20,000条记录、9,000种独特分子，来源于1960–2021年学术文献与开放数据库，并整理为层级化标签体系。技术验证显示，基线模型在OdorNet上的Macro F1为0.42，明显高于常用气味数据集上的得分，也高于同一模型在不使用SEA标签体系的OdorNet上的得分。