相关动态
数学家 Sophie Huiberts 在客座文章中主张，证明定理意味着对数学领域负有责任：要说明做了什么、哪些步骤需要新想法、哪些已众所周知，并应更好地阐释重要想法。她把 OpenAI 的行为与此对比：不关心其“预印本”，不适当标注想法来源，把 372 项结果切分成 719 份 PDF，工作含有应被撤稿的错误，承诺代码却未提供，证明极难解析。她称这些 PDF 拖累文献，是内部基准测试的废气，并非“为了科学”；新内部模型或许一键生成文本，但类似结果很快也会由专家发现，部分已由 ChatGPT 用户发现并正在被正式撰写。即便不指控剽窃，科学软件供应商主动抢发客户成果也不好看；专家提示出结果会承担责任，OpenAI 不仅拒绝承担，还阻止客户承担。
Google DeepMind的Pushmeet Kohli与Biohub的Sal Candido在Brandon Anderson主持的一场特别对谈中，讨论了AI驱动生物学的边界。他们认为AlphaFold的突破只是开始，仅靠扩大算力与数据规模不足以解决生物学问题：找到合适的标度律比盲目增大模型更重要，低质量宏基因组数据也可能改进蛋白质语言模型。对谈还涉及蛋白质结构预测远未解决、蛋白质动态与无序区、静态结构预测的局限、冷冻电镜图像能否带来更丰富的表征，以及从单个蛋白质模型走向整套生物系统与虚拟细胞所需的根本不同数据集。Candido表示，要实现Biohub治愈所有疾病的使命，需要10倍量级的突破而非渐进改进。
开发者发布 PyTorch 库 MaRN（Mapping Networks），其做法是不直接训练每个模型参数，而是优化一个紧凑的潜表示。作者公布的基准结果包括：MNIST CNN 从 537,748 个参数降至 4,080 个可训练参数（131.8×），准确率由 99.07% 降到 98.10%（−0.97 pp）；较小的 107,998 参数 CNN 降至 1,872 个可训练参数（57.7×），准确率由 98.83% 降到 97.18%（−1.65 pp）。作者同时指出权衡：映射后的模型训练可能明显更慢，效果因任务而异；这些基准属探索性质，部分任务使用合成数据，并不构成其普遍优于直接训练的证据。库提供全局与逐层映射、正则化选项以及剪枝/LRD 集成。
Ai2 在旧金山举行的 COLM 2026 上介绍了其开放研究：发布可供他人研究、扩展的 AI 研究产物，并与领域专家合作开发面向科学的 AI 工具。会议论文《Olmo Hybrid: From Theory to Practice and Back》考察将 transformer 注意力与线性循环层结合的架构，把关于其可表示能力的理论与受控训练实验相连。该研究中，Olmo Hybrid 在覆盖多学科知识的 MMLU 上达到与 Olmo 3 7B 相同的准确率，训练 token 减少 49%。这一方向正指导下一代 Olmo，后者目前以结合注意力与循环的混合专家架构进行预训练。COLM 前发布的 Olmo-core 3 提供重新设计的大规模混合专家模型训练系统。文中还提到 Google 近期宣布复现了 Olmo 3 7B 的训练。
该研究介绍了一个DInSAR包裹相位信号数据集，用于支持深度学习模型自动检测和分类活动性慢速块体运动。数据覆盖中欧阿尔卑斯山和亚平宁山脉北部两个选定的大范围区域，包含4910条经专家标注的DInSAR包裹相位信号，来自92幅Sentinel-1干涉图，时间基线为6天至1年，并在仔细的地貌学解译后划分为9个不同的滑坡和冰缘地貌类别。作者表示，该数据集有望支持科学界开展基于AI的块体运动研究，并可作为生成可比数据集的基准。摘要未报告模型性能或验证结果。
Anthropic 以 Claude 闻名，如今却雇用分子生物学家、研究 DNA，并在旧金山湾区运营一间“湿实验室”，让科学家直接处理生物材料。公司称理由很直接：若 Claude 要帮助科学家取得关于生物学的发现，这些发现终须在物理世界中被检验。Anthropic 于 2026 年春季成立生命科学研究组，考察通用型 AI 模型能否系统性地加速生物发现；自建实验室让同一团队贯通从提升 Claude 生物学推理到用实验检验其假设的全过程。公司 9 月 23 日称，Claude 识别出一个此前未被表征、与异常重复 DNA 序列相关的酶系统，其模式与 CRISPR 系统有相似之处，但研究者尚不清楚该系统的作用；结果以预印本发布，仍需进一步科学检验。
神经疾病药物发现聚焦疾病改变的分子，但致病分子未必是逆转病理的最佳控制点。CircuitATLAS 是来源可追溯的系统神经科学知识图谱与智能体框架，用于回路病靶点发现。图谱覆盖疾病、表型、电生理、回路、脑区、细胞类型和分子效应器，刻意排除疾病-基因和疾病-蛋白直接边以减少捷径推理；含 383 万节点、766 万边，其中 531 万 LLM 提取关系，纳入 Human Cell Atlas 等数据集和新的多模态体内测量。智能体工作流从可测表型经回路与细胞基质推理到分子干预、治疗可行性和临床约束；人类监督的体内 lab-in-the-loop 连接假设生成与实验迭代。智能体提名 ATP1A3 为皮层兴奋性控制点；中间神经元限制性表达 ATP1A3 在体内消除了对局部 4-aminopyridine 挑战的 beta 和 gamma 波段反应；验证靶点进入结构引导小分子项目，defined assay 确定调控方向。
预测有机分子的动态极化率张量对模拟光电器件中的光-物质相互作用至关重要，但TD-DFT等传统量子化学方法计算昂贵，限制大规模筛选。研究提出一种等变图神经网络架构，可直接从三维几何、UV-vis光谱等易得分子信息预测随频率变化的复值动态极化率张量，学习其形状与量级，并捕捉色散与吸收特征。模型在QM9与Harvard有机光伏数据集上以多种指标评估，包括适用于光谱量比较的推土机距离，能够复现张量主要特征并对不同分子泛化。在下游器件级光学模拟中，模型预测极化率得到的载流子产生率与TD-DFT结果一致（R² = 0.94）。
黑箱优化（BBO）常见于目标评估昂贵且受限的科学与工程问题。现有LLM智能体结合任务语义、计算、优化工具与反馈决策求解BBO，但任务领域和系统配置不一，结果难以比较。为此，作者提出AgenticBBO-Bench，在统一有限预算协议下覆盖合成函数、超参数优化、数据库调优、芯片设计与分子设计五个领域。实验显示，智能体BBO在全部五个领域族平均得分高于直接LLM方法，并在四个领域优于最佳数值优化器。研究还考察优化工具、任务信息与先验知识、LLM在搜索中的作用三因素：额外数值工具未持续提升性能；任务语义普遍有用，而具体先验较不可靠；数值优化器可吸收智能体搜索轨迹带来的增益。最后，提出五任务前沿挑战，在Codex框架下评估七个LLM，GPT-6 Astra和DeepSeek-V4.1-Flash位于性能与成本的Pareto前沿。
这篇个人记述称，昨日 OpenAI 发布了 372 项重大结果，其中包括在 Timothy Gowers、Edward Witten 等数学家推荐下给出的 Subhash Khot 的 Unique Games Conjecture（UGC）证明；若成立，许多优化问题即便只求略优于半正定规划松弛的近似也属 NP-hard。作者强调目前只是“相当确信”它是证明：部分结果有 Lean 证书，并非全部；似乎还没有人类理解这些证明，验证竞赛才刚开始。Dana Moshkovitz 形容论文极难读、需 AI 辅助，UGC 证明发明了带噪声测试的怪异递归码，既非长码也非短码；另有绕过 UGC 的 Max Cut 与所有 CSP 的最优 NP 硬度近似证明。
10月7日，Google DeepMind、Isomorphic Labs 与 Meta 同意联合投入3亿美元，支持由 Mark Zuckerberg 与 Priscilla Chan 出资的 Biohub 推出的 Virtual Biology Initiative；加上美国能源部与国立卫生研究院的出资，承诺总额已达18亿美元。项目将测量细胞在远多于以往测试的条件下的反应，再用这些数据训练预测细胞行为的 AI 模型：首个数据集约一年后发布，五年内目标是建立准确的预测模型。商业资助方对其出资的数据享有一年保密期，政府资助的数据则无此限制；Biohub 科学主管 Alex Rives 表示，保密期是吸引商业方参与的激励。相较之下，Alphabet 过去12个月研发支出689.7亿美元、Meta 为716.3亿美元，3亿美元不及两家合计日均约3.85亿美元的研发开支。
Mayra Elwes 是科隆大学医院生物医学信息学研究所计算机科学方向的二年级博士生，研究聚焦临床时间序列预测中机器学习的泛化与领域自适应，尤其是跨医院泛化场景。针对模型部署到训练数据未覆盖的诊所时因患者人群、临床实践或测量设备差异导致的数据分布偏移与性能下降，她以重症监护室为用例，依据已观测生命体征参数预测血氧水平与动脉平均血压，以改进低血压和低氧血症预测。因该任务缺乏标准 AI 基准，她与临床合作者设计了新基准，目前在科隆大学医院收集中；其开源工具包括 WavePrep、Algorithm2Domain 与 MIMIC-III Waveform Database Matched Subset。她还提出同时报告与下游任务相关的分布偏移和性能下降的评估策略，使结果在私有数据集之间、不同任务之间也具可比性。
提出 Vibe Building 任务与 PE-Loop 智能体：确定性物理引擎是唯一的评估信号来源，将规范约束映射为物理过程奖励，语言模型仅负责提出截面、拓扑与抗侧力体系等离散修改；设计须通过留出的地震与风时程校核以及可施工性门槛。在覆盖六个规范族的 VB-Bench 3,577 个物理裁决建筑实例上，PE-Loop 在四种骨干 LLM 中的三种取得最高验证成功率，在全部四种下取得最高留出地震通过率，在三种下取得最高留出风通过率。若把物理裁决替换为语言模型评判、其余条件不变，58.43% 被接受的设计不合规。作者据此认为，可靠的结构设计更多取决于提议者无法影响的裁决者。
研究构建了一个双过程智能体：快速学习型actor处理全部决策，仅在门控开启时把控制权交给推理视觉语言模型，游戏同时继续进行。实验采用闭环Doom与新公开的“System One”typed-decision模型，经统一llama.cpp接口运行。在900道留出问题上，(i) 0.15B至9B参数的零样本决策模型在错误中选择收集物品的频率为随机的1.6–1.8倍，与选项顺序无关，但顺序会影响部分模型的准确度；(ii) 准确度、校准与敏感度彼此独立，准确度相近的模型AUROC差异很大；(iii) 离线将最不自信的30%决策交给推理模型，收益随actor的AUROC按秩相关0.87增长，doomLaya选项顺序下为+0.13 [0.08, 0.18]，打乱顺序后为+0.08 [0.02, 0.14]，推理贡献约一半；(iv) 闭环33局、三个随机种子下，无变体到达出口。作者公开了代码、提示、数据与日志。
研究提出 RoboJEPA，一种基于 JEPA 的机器人潜世界模型，训练数据覆盖 12 种机器人本体。其想象误差（潜变量 rollout 的误差）随算力呈二阶幂律变化，可据此外推预测远超拟合规模处的模型质量；下游机器人规划性能随算力可预期地提升，且想象误差与之强相关，可作为真实机器人评估的可靠代理。该潜世界模型还能零样本部署为智能体，仅以单张目标图像为引导，在真实硬件上完成需要长时程规划的任务。作者公开了全部模型检查点及训练、部署代码，并称这是首个在真实机器人数据上建立多本体机器人世界模型缩放规律的工作，8B 参数的 RoboJEPA 是迄今训练出的最大的 JEPA 预测模型。
2026年10月6日，insitro 宣布，其与 Eli Lilly and Company 共同构建、可预测小分子体外及体内性质的先进机器学习模型，现已在 Lilly TuneLab™ 中供部分生物科技公司使用。模型基于 Lilly 数十年研究积累、来自数十万个独特分子的多物种临床前数据训练，为当前从体外实验外推的行业标准做法提供了替代方案，并将随数据集扩充持续更新。该合作于2025年9月宣布，结合了 insitro 的 AI/ML 能力与 Lilly 的 ADMET 专有数据集。insitro 创始人兼 CEO Daphne Koller 表示，进入临床的项目有九成失败，这些模型可先把分子的体内行为变成计算问题。
研究提出基于变分推断的微生态位分析方法VIMA，将深度学习与规范统计相结合，以更灵活、更精确的方式发现疾病相关的空间特征。当前方法常假设组织区域可用离散细胞类型丰度表示、样本可用离散生态位丰度表示，可能遗漏重要信号。VIMA训练一组变分自编码器，把每个小组织斑块的内容概括为数字化“指纹”，据此定义大量数据依赖且相互重叠的“微生态位”，再做元分析，筛选出丰度与病例—对照状态显著相关的微生态位。模拟验证了VIMA的校准、检验效能与空间准确性；应用于涵盖三种疾病和多种空间模态的数据集后，该方法复现了已知生物学，也识别出新的疾病空间特征。
该技术报告介绍了面向摩洛哥的 Turba 肥料机器学习栈，采用三层开源架构：turba-client 提供对公开地块档案、作物目标产量空间及 N、P_2O_5、K_2O 推荐流程的程序化访问；turba-data 分发可直接分析的数据快照；turba-models 打包作物特异的推荐输出机器学习代理模型。首个数据集基于 44,096 个 ESA WorldCereal 独特位点构建；在中等目标产量设置下，情景扩展生成 132,017 条作物-位点推荐请求，形成覆盖 10 个大区、66 个省、1,149 个公社的 22 变量数据集。九种回归族在固定的确定性 80/20 协议下评估，当前版本打包了五个表现最佳的作物特异模型。该机器学习任务是推荐函数仿真，而非对观测作物响应的预测。
FairRSFM 是一个生物群落感知的遥感基础模型（RSFM）基准，将 14 个陆地生物群落类别映射为六个生态学上有意义的宏组，在统一的冻结骨干协议下评测，覆盖 m-EuroSAT、m-BigEarthNet、m-SA-Crop-Type 与 MMEarth20K 四个下游数据集。在 Prithvi-EO-2.0、SatMAE、DOFA 及三个随机种子上的结果表明，聚合指标持续掩盖随生物群落而异的差距：Prithvi-EO-2.0 在 m-EuroSAT 上整体 macro-F1 为 90.98%，最差组均值却只有 83.72%；m-SA-Crop-Type 整体 mIoU 从 27.30% 降至干旱与矿物组的 18.47%。BOLP、DBR、GroupDRO 三种缓解基线的效果因模型和任务而异，例如 BOLP 在不更新骨干的情况下将 Prithvi-EO-2.0 在 m-BigEarthNet 上的最差组 F1@opt 从 4
研究者介绍模块化生物传感器 Detectrons，它将可编程的 toehold 开关与 retron 介导的逆转录耦合，把 RNA 输入转导为独特 DNA 条形码，从而在活细胞内把动态 RNA 信号变为持久 DNA 记录。该框架支持转录本感知的替代模式，应用包括病毒感染检测。作者构建了合成 toehold retron 文库并结合机器学习，总结出提升信号强度与特异性的关键设计原则。Detectrons 被用于多重活细胞检测特定噬菌体感染，实现转录本触发的条形码合成，并在混合细菌群体中进行定量的宿主易感性分析，为噬菌体筛选以及复杂细菌群落中转录事件的记录提供可扩展、可泛化的策略。
语言模型给正确答案的概率虽高于任一单个错误答案，却仍常采到错误答案。OPPD 让被训练模型生成候选，用冻结教师的幂分布以序贯蒙特卡洛加权，并以同一权重做最大似然更新，使模型一次生成即获得锐化效果。训练后单次生成较未训练模型同温度在 MATH500、GSM8K 最高分别提升 23.0、27.3 分，比 64 候选的已发表幂采样高 2.4、3.5 分，找回 16 候选所给增益的 94%。相较同检查点、同预算的 GRPO，OPPD 在 MATH500、GSM8K、AIME 分别高 3.8、4.0、5.4 分且不用参考答案；GRPO 之后再做最多再加 9.3 分。仅以数学训练也使 HumanEval 最高升 5.3 分。
CoDance是一个从视频学习人与人形机器人反应式、柔顺交互的框架，以双人舞为研究场景：给定一段两名人类舞者的视频，它将两人动作重定向为机器人参考动作与移动伙伴；再通过多连杆柔顺性增强，在双手施加结构化力的条件下改造机器人参考，把运动学演示转成带力信息的训练数据。在此数据上训练的策略在跟随伙伴、保留演示步态风格的同时，柔顺地响应物理交互。仿真中策略能随伙伴变化调整步数，复现增强演示所编码约80%的腕部位移；在实体人形机器人上实现了与人类伙伴持续的双手共舞，包括前向与后向动作的反复切换。
研究提出LMBuild，用于评测LLM智能体生成可建造且具备功能的结构。生成对象被表示为由部件分解、连接、材料和装配序列构成的装配结构。统一框架包括：智能体可检索、创建和放置组件的交互环境；改造既有CAD数据集并以Wikipedia知识增强的基准；以及覆盖结构稳固性、功能可供性、设计质量与物理实现的评测体系。对30个系统的评测发现：稳固性与对齐已不再是前沿闭源模型的主要瓶颈，功能可供性与物理可操作性仍明显更具挑战；更强模型更善于创建新部件，较弱模型倾向依赖检索；提供功能规格可显著改善部件完整性、运动学与物理可操作性。
长视频理解通常在固定原生分辨率下筛选信息帧或视觉token。该研究指出，逐帧分辨率可换取更稠密的时间覆盖，而前端解码延迟取决于候选池规模而非最终token预算。在多个VLM与长视频基准上的实证研究得出三项发现：相同token预算下，稠密低分辨率采样优于稀疏原生分辨率采样；分辨率敏感任务受益于所选高分辨率帧；小时级视频的墙钟时间以前端解码为主。据此，作者提出免训练、单次前向的框架LoHi，通过VLM原生的视频与图像通路，将稠密低分辨率视频流与稀疏高分辨率图像帧结合。其中LoHi-Anchor利用编解码器I帧元数据选帧，LoHi-SemDiv依据查询相关性与CLIP特征的视觉多样性选帧。在三个长视频基准上，相同token预算下LoHi较原生分辨率基线平均准确率提高10.6个百分点，较最强先前效率方法提高5.2个百分点，小时级视频的前端解码延迟最多降低7倍。
现有在策略蒸馏（OPD）目标多为逐 token 判别、忽视结果，而基于可验证奖励的强化学习（RLVR），尤其是 GRPO，能提供结果级监督，却面临奖励稀疏、信用分配粗糙、在全部失败的组上奖励消失等问题。作者提出 DiffGate：由验证器决定哪些轨迹接受教师引导——仅对失败轨迹施加教师监督，按组难度缩放，并平滑限幅，避免极端师生差异主导优化。在 Qwen3-0.6B 与 Qwen3-1.7B 学生模型上，代码 avg@8 较匹配的 GRPO 分别提升 1.7 与 1.8 分，pass@8 提升 1.6 与 5.7 分；数学 avg@8 与 GRPO 相差 0.5 分以内，pass@8 提升 1.1 与 3.9 分，四个模型-领域设置的 pass@8 均有改善。
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。
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。
非结构化知识编辑（UKE）存在“上下文依赖”缺陷：编辑后的模型往往能复述编辑段落，却难以脱离原文单独召回其中的各项事实。作者指出，段落级编辑目标会低估上下文带来的难度——越靠后的事实获得的真值上下文越丰富，初始损失越低，因而显得更好学。为此提出即插即用框架FOVEATED：编辑时随机平移前序上下文键所分配的RoPE位置，为每个句子构造聚焦视图；扰动在编辑后移除，推理时模型原生位置编码保持不变。该框架同时适配直接优化与先定位后编辑两类编辑器，并给出其抵消难度低估的理论分析，在五个KE编辑器、两个LLM骨干和三个基准上取得一致改进。
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。
现有流式视觉-语言模型在推理全程计算路径固定，无法随场景动态调整感知方式。FORESIGHT 提出免训练的双流架构，由两个共享权重、输入编码器与 KV cache 的孪生 LLM 组成：一个持续处理输入 token，另一个先于数据流运行，预判未来上下文、规划计算并生成任务响应，不打断流式推理。每份计划决定何时再推理、届时检查什么、采样密度多大，并将瞬时证据与持久控制分离，随后借助 schema 引导解码和轻量 diff 更新在线执行，开销很低。在冻结的 Qwen3-VL-8B 主干上，FORESIGHT 在 OmniPro Online 上平均 joint F1 为 23.0，比最强训练基线高 9.5%；在 StreamingBench 和 OVO-Bench 上分别较主干提升 6.7 与 15.4，证据在视频流中较晚出现时增益最大，为 18.7。源代码将公开。
研究者指出人-物交互具有局部性，单物体采集片段已包含多物体活动的组成部分，因此将接触一致的单交互片段镜像、跨身体迁移，再由语言模型与几何检查筛出语义与物理上合理的配对，使数据随片段数而非录制时间组合式增长。COSMI 数据集含 222k 段序列、275 小时、最多五个物体，接近最大多物体采集的三十倍。据此训练的文本到交互扩散 transformer 采用权重共享物体槽位，生成数量可变的物体并预测其相对身体部位的运动。在含未见物体与未见交互组合的基准上模型实现泛化，文本对齐与接触准确率优于基线，未见物体上差距最大。代码、模型与流程将于项目页发布。
约60%的大象低频吼叫发生在两头及以上个体重叠的合鸣中，而这类多发声者交流此前研究甚少，因为难以拆分分析。发表于《Scientific Reports》、与 ElephantVoices 及 Amboseli Trust for Elephants 合作开展的新研究改变了思路：不分离单个叫声，直接用机器学习从合鸣整体提取行为信息。研究分析了1986至2022年间录制的903头成年雌象吼叫。结果显示，从合鸣预测宽泛行为情境明显优于随机水平；在部分协调互动中还观察到发声趋同——交流展开过程中，一些吼叫声在声学上逐渐变得更为相似。
Google DeepMind 在《Nature》发表概念验证技术 SynthID Bio，能在 AI 设计的蛋白质序列与预测分子结构中嵌入不易察觉、可验证的数字标识，且在实验室测试中未削弱其实际功能。首席 AI 科学家 Demis Hassabis 称生物安全是“AI 时代最紧迫的挑战之一”，相关工具将开源；科学副总裁 Pushmeet Kohli 表示团队已成功合成兼具功能与水印的蛋白质。报道同时指出，AlphaFold 3、AlphaProteo、ProteinMPNN 等系统的生成能力抬高了生物安全风险：机器生成的陌生序列可能绕过常规基因合成过滤，未经核验的合成结构数据也可能污染开放获取的科学数据库。
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。
关键词匹配基准会给从未真正调用工具的小模型记功：一对架构相同的661.6M与1,109M参数安全模型在宽松指标B4上几乎同分（0.660对0.650），而训练样例的逐字复现检查将二者完全分开（6/6对0/6）。首token探针把1,109M的失败定位为缺失先验（ < |tool_call|>概率10^{-4}–10^{-5}），被其网络数据为主的训练阶段抹去。针对性SFT（5倍学习率、2,202步、约3.3 GPU小时）用少三个数量级的token修复它：269行语料有效发出率由0.100升至0.959（661.6M为0.926），238条未见提示通过率0.536对0.428（p=0.004），触发token的绑定嵌入未动（bf16表97.7%逐位一致）。两模型均过度触发（0.09、0.17），多样语料的抑制收益仍是假设；整套诊断阶梯只需数分钟CPU时间。
研究提出 SBERT2S1，将 Sentence-Transformers 检索编码器改造为一次前向即输出可阈值化概率的类型化决策模型，并发布生物医学套件 BIODECIDE 与源自 NLM 索引的 243k 条训练决策 MEDLINE-S1。在六组父检索器配对中，检索训练改善了零样本对含内容选项的匹配；微调后效果取决于头结构：保留检索先验的 PFR 在 15 组比较中有 10 组显著受益，而交叉头 C 仅一组受益、五组受损。两种头与五种目标的配对网格显示，C 在每种目标下都优于 PFR；开源 System One 采用的 RLCD 配方比交叉熵低 2.5–3.0 分，主要因其奖励归一化把噪声较大的 score-function 项放大 3.6–15 倍，留一无偏估计可挽回大部分差距。温度缩放后，没有目标在校准上明显优于交叉熵。代码、标签与模型均已公开。
针对机器人基础模型（RFMs）多步流匹配推理延迟高的问题，论文提出 Kinematic MeanFlow（K-MF）单步动作生成策略。作者发现直接套用 MeanFlow 会性能崩溃，根源是 RFM 速度场的两种动力学特征：局部加速度早期稳定、去噪末期急剧上升，且各样本幅度差异随去噪推进而扩大。K-MF 依据运动学恒等式把 MeanFlow 的时间导数项拆为由中间点分隔的两个子区间项，分别刻画早、晚期去噪动力学并抑制误差放大。结果显示，K-MF 在从头训练与微调范式的多样任务上实现单步生成，多数设置优于多步流匹配；GR00T-N1.6 动作头延迟在 L40 与 Jetson Orin 上降低 67.5%~74.4%，端到端延迟降低 30.3%~54.9%。
SciUtopia是一个持久化、闭环的LLM智能体模拟框架，用于研究学术研究生态系统。它将研究方向选择、合作、投稿、同行评审、重投、引用、经费资助与研究者流失等相互关联的过程纳入统一建模，并在模拟年份中持续演化状态；其可配置的制度机制与信息通道，为匹配的反事实实验和定向干预提供了可控平台。在61个模拟世界中，框架模拟了来自8,000家机构的逾40,000名研究者，产生约400,000次发表决策和120万条LLM生成的同行评审。研究发现：由拒稿驱动的重投会显著放大评审负担，超出人口增长本身的影响；审慎探索能在引用影响、职业成功与长期主题多样性之间取得平衡；即使在早期经费以微弱优势胜出方面未检测到累积优势，资源不平等仍可能出现。
DeskForge 是一个可控桌面环境，组合并操作真实应用，变化状态、窗口布局与分辨率，并将截图、无障碍树和窗口几何融合成稠密元素标注，同时记录每次动作的执行结果。由此构建的 DeskForge-1M 含 120 万条标注桌面观测、1.597 亿个元素实例。作者用其中 20 万条定位样本微调四个视觉-语言模型，四者在留出桌面条件与全部五个外部 GUI 定位基准上均提升；Qwen3.5-4B 在 ScreenSpot-Pro 上提高 11.51 个百分点、OSWorld-G 提高 10.11 个百分点，长程任务中 WebArena-Infinity 由 119 题中的 31 题增至 50 题，OpenApps 由 100 题中的 3 题增至 15 题。
Where-OPD为多模态大语言模型（MLLM）提出一种新的在线自蒸馏方式：教师模型获得关于与问题相关视觉要素的文本化空间引导，据此在多个图像区域定位并整合证据；学生则仅凭图像和问题复现这一行为。训练采用程序化生成的场景，自带物体身份与空间坐标，实现可扩展、免标注的后训练。该方法在多个模型上 consistently 提升计数、文档与图表理解基准的表现；尽管后训练只使用合成场景，提升仍迁移到真实感知基准，在CVBench、V*、ZoomBench、BLINK、HR-Bench和MME-RealWorld上平均提升3.23点，显示出超越后训练任务与数据分布的合成到真实迁移能力。
该数据集面向鞋面机器人加工中三维点云薄加工边界分割任务，共含1,067个样本，其中1,000个为合成点云，另有67个真实场景扫描用于独立评测。合成数据生成流程包含纹理与外观增强、区域感知的几何形变以及传感器退化模拟。两部分均提供三维坐标、RGB属性和逐点二值加工边界标签；合成分支额外带有面板标识，真实数据标签经人工修正。技术验证采用标准点云分割骨干网络，在受控的合成到真实评估协议下检验数据可用性。已发布的点云构成可直接使用的完整数据集，配套代码与资产支持合成子集的再生成与适配。
Google DeepMind 推出 SynthID Bio，将水印技术引入合成生物学：在生物代码中嵌入难以察觉的签名，使水印可在合成出的实体蛋白上验证，且实验室测试显示蛋白生物学功能得以保留。方法按数据类型调整，对序列引导氨基酸选择，对预测三维结构微调原子坐标。蛋白结合体验证使用 AlphaProteo 与启用 SynthID Bio 的 ProteinMPNN，湿实验覆盖 VEGF-A、SARS-CoV-2 刺突蛋白 RBD、PD-L1 三个靶点，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带水印版本相当，得到首个既有水印又具生物功能的蛋白结合体。蛋白折叠方面则微调 AlphaFold 3 扩散网络的一小部分，把水印写入模型权重。
视频生成已从短视频片段发展为高分辨率、长时序的复杂动态序列，但预训练模型常难以遵循人类意图、维持时间一致性并满足物理与安全约束。相比图像与文本生成，视频对齐面临误差随时间累积、运动与外观耦合、多目标权衡以及时序属性监督有限等挑战。该综述首次系统梳理视频生成的后训练与对齐，按对齐信号的实施方式区分隐式对齐与显式对齐，将现有方法归为监督微调、自训练与蒸馏、基于偏好与奖励的方法、推理时方法四类；同时综述常用数据集、基准与评估实践，并讨论可扩展奖励设计、长时序一致性、稳定性—表达力权衡及安全感知生成等开放问题。
研究指出，大语言模型依赖的人类文本往往只呈现表层答案，而蛋白质折叠可作为可精确检验的测试场景：一个已解结构就能产生数千条空间与拓扑陈述。作者构建了蛋白质衍生的问答数据集 FoldingCorpus，并提出后训练方案 Fold2Reason，结合两种互补信号——由模型原生语言头预测的离散结构答案，以及从同一共享表征解码的连续三维几何。在 FoldBench 上，其结构预测得分达到 Qwen3.5-9B 的 2.7 至 3.5 倍；在涵盖空间、图、科学与通用推理的全部 10 项基准上均有提升，宏平均准确率从 45.09% 升至 48.33%（+3.23 pp）。而基于随机、合成和打乱结构的对照增益明显更小或为负。
Galahad 是面向 vLLM、SGLang 和 llama.cpp 的内存层:其中 Taliesin 保存文本块的键值(KV)状态,下次遇到相同字节时直接载入;Blaise 则保存文档本身,只把问题所需的段落交给模型。在七个真实数据集上,98.7% 的提示词是模型已经读过的文本。在含 97,000 token、隐藏 100 条事实的语料召回测试(Gemma 4 31B)中,仅用 Taliesin 在 llama.cpp 上答对 98/100,耗时 3.0 s、572 J;不带 Galahad 时只能容纳最后 12,000 token,答对 10/100,耗时 9.3 s、2,754 J。叠加 Blaise 后每题约读 668 token,三个运行时均答对 100/100,耗时 0.59-0.64 s、200-213 J;调优后的 RAGFlow 管线答对 77。存储语料是一次性成本,约 100 s、28 kJ,其能耗在 13
现有低秩权重分解用激活能量、逐层重构误差或损失二次近似等局部准则挑选待删除子空间，忽略误差在网络中的传播，高压缩率下误差随深度累积、性能崩溃。Learnable Subspace Projections（LSP）改为端到端学习这些子空间：冻结预训练权重，为每个线性层或共享激活的绑定层组分配正交投影，以对稠密模型输出分布的KL散度或模型原训练损失为目标联合优化，秩按每个节省参数所诱导的输出KL分配，训练后合并为标准低秩因子，绑定组共享一个因子。在OPT-125M/1.3B、Qwen3-4B、Llama-2-7B与ViT-B/16上LSP均优于基线且优势随压缩增大：-70%压缩下Llama-2-7B的WikiText-2困惑度为10.9、零样本平均准确率42.2%，最强基线为13.3与36.0%；小批量解码最高快1.6倍，128k token上下文下权重与KV缓存合计内存缩小13.5倍，非绑定基线分解至多6.5倍。
AIhub 发布 2026 年 9 月月度摘要：对 AI 先驱、获奖机器人专家、电影制作人和艺术家 Ken Goldberg 的访谈，谈及机器人学内部的文化碰撞、艺术与科学的相互借鉴，以及 AI 对艺术未来的影响；Isla Duporge 利用遥感和 AI 研究野生动物活动；Hannah Murray 开发优化方法，帮助生态学家确定相机陷阱等传感器的放置位置，以精确估计物种种群数量；Haruka Kiyohara 改进大规模推荐系统两阶段决策中的早期排序器，它可低成本地将多达数十亿物品过滤为较小候选集；Yash Saxena 研究外部知识在 AI 系统中的使用，追踪证据的流转；Haris Aziz、Patrick Lederer 和 Jeremy Vollen 以 “Approximate Strategyproofness in Approval-based Budget Division” 获 IJCAI-ECAI 杰出论文
研究指出，LLM的系统提示中会隐藏注入用户无法控制、且每天变化的当前日期，这一被忽视的因素影响评测可复现性。在9个近期LLM、涵盖多选题问答、数学推理、代码生成与机器翻译的6个数据集上，仅改变当前日期即可带来最大6%（多选题问答）、14%（数学推理）、7%（代码生成）的性能差异，机器翻译差异达2.84 BLEU。模型排名随之变动，进而影响排行榜；该日期效应超过批次数值精度等其他非确定性来源。思维链与少样本提示无法降低敏感性，思维链反而会放大它。作者据此强调需要更严谨的评测协议。
EVOKE 是一种后训练方法：在固定环境状态与交互历史下，用替代目标对同一批候选动作重新排序，迫使动作偏好随之改变，使依赖情境习惯或单一目标相关的策略无法给出正确排序，从而隐式引出预训练中已内化的世界知识。原文认为典型后训练缺乏这种引出压力，因为每个状态只用单一目标做监督，会让策略依赖表面的情境习惯。在三种 backbone 上跨多样任务的评估显示，EVOKE 改善了任务性能、对未见环境的泛化能力与数据效率，作者还做了受控分析以理解这些收益的来源。
Caltech 数学家联盟发表联合声明，重新设计 Mathathon 活动，新主题定为 Old Problems, New Proofs。发起者认为解题只是数学的一个组成部分，数学理解与阐释同样有意义，却常被资助方和招聘委员会忽视。参与者须挑选一个解答反直觉的问题（如四色定理、ABC 猜想、Navier-Stokes 问题），在 40 小时内尽可能深入学习并向同伴汇报，随后用两个月发展替代理证或阐释，提交 explainer 与 GitHub 仓库，公开 LLM 对话记录、可视化代码等材料。声明强调 Mathathon 把 AI 视为数学家可用的众多工具之一。
新加坡南洋理工大学（NTU Singapore）的科学家开发了两个人工智能平台，有望更准确地预测会发生相分离的蛋白质。相分离是指细胞内的蛋白质像水中油滴一样分离，凝聚成液滴状区室，使细胞得以聚集分子、加快或抑制反应，从而迅速应对胁迫；这一过程失调时会形成异常凝聚体或聚集体，与癌症、阿尔茨海默病等疾病相关，在植物中则与抗逆反应和抗病免疫受损有关。研究系统分析了动物、植物、真菌及细菌等生物中预测的相分离蛋白，并获得了对该过程的基础认识。该研究由生物科学学院Miao Yansong教授牵头，与电机电子工程学院Weibo Gao教授合作，成果发表于同行评议期刊Molecular Plant。
研究提出SAKIKO审计框架，用于判断大模型在调用外部工具之前的内部激活干预究竟是行为纠正还是真正的表示修复，其流程包括方向性错误发现、按路由器条件化的干预、目标落点解析验证以及前瞻性冻结的统计许可。在When2Call和MetaTool上测试七个大模型，按通道键控的干预在其中五个模型带来方向特异的净收益；三项封存评估中，59个等预算随机方向无一匹配校准后的目标增益。但目标落点审计表明行为变化不等于修复：一项获得+55净增益的干预破坏了其所触及的基线正确决策的一半以上；Qwen3-4B与Gemma-2-9B上看似乐观的点估计因有限样本不确定性被正式否决。
MM-ABC 是围绕“看、协调与想象”的臂-基协同构建的移动操作基础模型：以稀疏多级 VLM 特征进行空间感知；训练阶段加入以世界想象和几何意图为额外监督的未来分支；并用 MM-APT 通过掩码联合注意力与 clean-action x-prediction 协调操作和移动两条动作流。受控消融显示，把 clean-action 预测换成速度预测，使 RoboCasa365 composite-seen 任务成功率从 32.8% 降至 29.2%，而移除未来监督或多级条件化带来的下降更大。模型在 5,000+ 小时、400K+ 回合、12 个数据集、17 种本体的异构机器人数据上预训练，实验覆盖 EBench、RoboCasa365、ManiSkill-HAB、LIBERO、LIBERO-Plus 及真实移动操作，成功率分别为 44.71%、61.2%、99.1%、82.8%（未做扰动训练）与五项真实任务 83%。
Hasib 等人在这篇综述中提出 EXHYTE，一个以流程为中心的综述，旨在统一 AI 辅助科学发现的研究。通过梳理近期研究，该综述指出证据检索、知识组装和想法生成方面进展迅速，但也揭示出一个持续存在的瓶颈：如何把假设转化为可执行的测试，并利用测试结果改进后续步骤。综述强调，需要人类监督、可复现性、验证以及可审计的端到端发现工作流。
基于检索的事实性评估将LLM生成的主张与权威医学语料证据核验，已成为临床场景中幻觉检测的主流范式。但多数系统只用F1等聚合指标，掩盖失败发生的位置与原因；现有RAG诊断又依赖该场景没有的金标准答案或标注证据。作者基于开放式MedExpert数据集和3个封闭式数据集的案例研究，提出两个分类体系，将失败分解为检索阶段五个质量维度错误和验证器推理阶段六个连续步骤错误，并用LLM-as-Judge自动归纳流程在4种检索方法和6个前沿验证器模型上压力测试。结果显示，扩大模型规模、增加推理投入、扩展权威网络来源和医学微调均不能解决这些失败模式，表明它们是开放式医学场景中检索后验证范式的基本限制，而非过时系统的产物。
Anthropic 成立生命科学研究组与实验室，用 Claude 开展基础生物学研究：挖掘DNA数据集寻找未被表征的蛋白家族，大规模生成假设并在实验中验证。该组于2026年春季成立，旨在检验通用AI模型能否系统化地加速科学发现，让智能体与人类协作参与每个环节。早期成果是：在科学家只给出高层方向的情况下，Claude 自主发现了一套与一串DNA重复序列相关的新型酶系统，其模式让人联想到CRISPR。目前尚不清楚该系统的功能，但它具有一组此前仅在少数几个系统中同时出现的特征。
Radical Numerics 联合创始人 Eric Nguyen 讨论基因组语言模型与生物安全。他参与了 Evo 和 Evo 2 的开发；另一支 Arc/斯坦福团队随后用这些模型生成并合成了功能性噬菌体基因组。访谈区分了三个序列尺度：人类基因平均约 60K，较长基因可达 2.3M，而整个人类基因组约为 3B。Nguyen 认为，提升生物能力的模型也能帮助防御跟上能力进展。这里的 2.3M 指较长基因，不能写成全基因组大小。
本期播客访谈 Google 的 John Platt：他手握奥斯卡奖、两篇教科书级算法、两颗命名小行星，Erdos-Bacon 数为 6。重点话题是 Google 的 Empirical Research Assistance（ERA）——团队发现许多科学难题可归结为所谓“可打分任务”（“scoreable task”）：难在设定评分函数，之后便要寻找能最大化评分的代码；由此衍生出“auto-Kaggle”设想，而 Kaggle 归 Google 所有，数据现成可用，最终做成 ERA（附论文、github 与博客）。ERA 在概念上相当简单：Gemini 维护过往实验笔记本构成的树及其走向，近似蒙特卡洛树搜索，用上置信界规则挑选最有前景的笔记本进行变异；该规则偏乐观而非贪婪，有时第五名也会被选中，每次约提出十个变异方案，各分支共享历史、彼此学习。对话还涉及 AI 助力应对气候变化、科学与 AI 的协同演化。同事 Dave Bac
这条 9 月 22 日的二手报道介绍了 Anthropic 在湾区设立生物学实验室，并转述让 Claude 指挥机器人实验的计划。9 月 23 日的 Anthropic 官方公告则明确说明，所介绍实验室的全部实验操作由人类科学家完成；Claude 负责基因组搜索、提出候选系统与辅助分析。两篇材料的时间和主张不同，不能将机器人的计划性报道写成已经实现的无人实验能力。官方公告中的 ART 酶系统功能仍在研究中。
Sztain 的文章《Intuitive enzyme design with LLM agents》发表于《Nature Computational Science》(2026)。文中提出，由多个大语言模型 agent 组成的协作系统正让蛋白工程更贴近自然语言交互，从而降低人类意图与生物分子设计之间的壁垒。目前可见内容仅为订阅预览，未给出方法、结果或性能数据，其余部分为订阅信息与参考文献列表；作者声明无利益冲突。
当AI研究智能体自身代码成为优化对象时，每次被采纳的改写都会成为下一轮编辑的对象，这一循环称为递归自我改进。研究提出AIDE^²：它对自身代码提出修改，在AI研发任务集上评测改版，并保留隐藏评测中表现最佳的改动。在一次8天自主运行中，AIDE^²发现七次连续改进，从新的搜索策略到压缩、管理上下文的记忆机制。这些增益泛化到四个留出基准，涵盖机器学习工程、启发式算法工程和基于物理的天气预报，后者相对选择任务属分布外；在四个基准上，最强发现体匹配或超过FML-Bench中名列前茅的人工生产研究智能体。在另一组留出任务上，奖励作弊率从55%降到32%，比人工智能体低7个百分点，而这并非循环显式优化的属性。
工具调用智能体在企业应用中日益普及，但高质量、多样化的评测数据常受隐私等限制而难以获得，现有合成方法多生成忽略智能体状态与数据库的通用任务。EdgeGen 从智能体规格中抽取合规规则，并以此生成违反这些规则的数据库支撑边缘任务；与既有合成数据技术结合后，可构成无需人工标注的全自动闭环系统，用于微调与 harness 优化。在 tau2bench 航空领域，用 EdgeGen 数据微调带来 2% 至 42% 的平均进度提升，而其他基线方法在部分模型上出现退化；在 harness 优化方面，Gemma-4-e4b 模型相对人工整理和基础 harness 分别提升 10% 和 30%。
陶哲轩与私人捐赠者共同创立非营利机构 Foundation for Science and AI Research（SAIR），支持 AI 在数学及其他科学中的负责任使用，独立于主要 AI 公司。初期资源有限，活动以播客、短会活动和竞赛为主；近期获 XTX Markets 与 Susquehanna 支持，用于资助下一轮 SAIR 竞赛。SAIR 正与学界、业界多个关键伙伴推进共建开放权重科学模型，以及面向科学应用使用开源与闭源 LLM 的开源工具。因当前局势与对开放模型的高需求，计划提前宣布，部分关键规划仍在进行中；目前正征集可提供资金、算力、专业知识或社区建设的伙伴意向，并提出共建 Math 2.0。
准确的气象预报是公共安全与经济稳定的基础，却高度依赖数值天气预报（NWP）模型，其复杂输出往往难以被非专业读者理解。大语言模型（LLM）有望将结构化数据转写为自然语言、自动生成预报报告，但进展受限于兼具模态鸿沟与专家隐性推理的稀缺数据集。为此，作者提出 Grid2Text 数据集，将 ERA5 气象网格特征与经专家核验的文本预报对齐，包含气温趋势、风矢量转变、湿度区间和降水类型的显式推理链；并基于人在回路工作流建立验证基准，以保证数据的物理一致性与逻辑准确性。作者预期这一开放获取数据集将推动可解释的天气预报讨论类 LLM 方法，促进科学文本生成。
现有技能优化方法多把技能表示为非结构化自然语言指令，既缺乏工作流层面的明确指引、冗余较多，又因搜索空间过大而难以优化。为此，GraphSkillEvo 将技能表示为图结构的自然语言产物：每个节点代表一个执行步骤及其操作指引，有向边编码步骤间依赖上下文的转移，从而提供清晰的工作流指引并便于优化。在此基础上，作者提出 GraphSkillEvo，一个面向图结构技能的种群式进化优化框架，包含变异与交叉算子，通过维护多个候选技能并组合有效组件，实现比纯 LLM 迭代自我修正更广、更全面的结构化技能空间探索。在五个智能体基准上的大量实验表明，GraphSkillEvo 稳定优于强基线 SkillOpt，在 GPT-5.4-nano 上平均准确率提升 4.01%，在 GPT-5.4 上提升 1.76%。
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。
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。
scBaseCount 目前是规模最大的公共单细胞 RNA-seq 数据资源库，收录了来自 27 个物种、75 种组织的超过 5.02 亿个细胞。一个 AI 智能体自主发现、注释并对 SRA 中的全部 10× Genomics 数据集进行统一流程的重处理，形成一个协调一致、持续更新的资源，用于研究细胞生物学的多样性并训练 AI 模型。
巴黎索邦大学的Jean-Olivier Irisson研究海洋微型生物。他说浮游生物外形多样且美丽。浮游生物是海洋生态系统的基础，能帮助移除大气中的二氧化碳；Irisson称全球一半光合作用由浮游生物完成，它们也是海洋食物链的基础。但研究费时：水样中大量生物需在显微镜下逐一识别分类。Irisson表示，团队已用软件捕获和处理图像，单个数据集就有220万张个体生物图像，人工无法分类，AI可快速完成。水下相机与环境传感器让监测数据远超人工分析能力。iMagine的Gergely Sipos称，更快、更便宜的监测能让浮游生物减少、垃圾堆积、石油泄漏和珊瑚退化更早被发现并采取行动。欧盟资助的iMagine项目汇集11个欧洲国家的水生科学家和数字专家，于2022至2025年开发AI工具，帮助研究人员处理信息。
英矽智能（HKEX: 3696）宣布启动 Longevity Vaccines 研究计划，运用生成式AI与可编程RNA药物，设计单次给药、可自我限制的体内细胞疗法，清除衰老相关疾病最早期的致病细胞。该计划由 Pharma.AI 与衰老基础模型驱动，靶向分泌促炎蛋白的衰老细胞、驱动纤维化的活化成纤维细胞以及侵蚀自身耐受的自身反应性淋巴细胞，从免疫系统 rejuvenation 起步。公司称其不处理下游病理，而是在预防窗口内短暂清除起始细胞群；递送方式为靶向脂质纳米颗粒包裹的环状mRNA（cmRNA）短效遗传指令。创始人兼联席CEO Alex Zhavoronkov 表示，该计划把治疗衰老与疾病的理念延伸到预防医学。
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。
研究提出 Fuse，一个用于研究以用户为中介的社会推理的多智能体模拟框架。在 Fuse 中，带有隐藏动机的目标智能体与其他智能体互动，其中一名智能体代表用户；用户随后咨询被评估的 LLM 助手，以推断目标智能体的动机。由于动机由构造成立，因此可提供可验证的真实标签。研究通过包含 24k 条标注的人类研究验证模拟的忠实度，并将 Fuse 应用于 12 个 LLM。分析系统隔离出若干因素：用户中介会加剧社会推理本身的难度；LLM 对带有偏见的用户表述表现出系统性敏感；模型有时需要比人类更多的细节才能作出正确预测；尽管更长对话提供了提出澄清问题的机会，但并不总能提升表现。Fuse 及一个包含 21k 条示例的数据集已开源。
纯数据驱动方法在计算机视觉和自然语言处理中成绩显著，但机器人学仍受数据有限、真实交互复杂和可靠运行需求制约。该综述回顾物理嵌入式机器人学习，覆盖广泛物理先验、机器人应用和机器学习模型，从单层感知机到生成式基础模型。作者提出统一分类法：物理引导的输入、数据与表示，物理编码的模型架构，物理约束的训练损失函数，并据此回顾动力学学习、轨迹规划、预测、控制与估计及开源软件生态。文章指出开放挑战和未来方向，认为物理先验补充而非取代数据驱动学习，有望推动更泛化、数据高效和可信赖的机器人系统。
机器学习的核心目标是泛化而非记忆：模型若只在训练数据上表现好、换新数据就失效，就等于什么也没学到，这种失败称为过拟合。常规防御是留出一部分数据：验证集在建模过程中反复被查阅，用于比较候选方案与调整超参数；最终测试集只在最后动用一次，其表现是面对未见样本时的正确代理。但这一保证的前提是留出集始终真正未被见过——若反复查看成绩、据此修改训练流程再复查，该数据集就进入了训练过程，久而久之同样会被过拟合，代理随之失效。真实的机器学习研究恰恰呈现这种循环：社区围绕数年不改的基准数据集反复评测、修订训练方案、再评测并发表。按教科书逻辑，这种针对留出集的爬坡理应造成严重过拟合——源文本在此中断，未给出后续解释。
MIT计算机科学与人工智能实验室（CSAIL）研究人员提出“归因衰减”现象：训练数据规模越大，单个训练样本对特定生成输出的影响越小。在规模足够大时，他们发现，常可移除训练数据中的任意单张图像、某位艺术家的全部图像，或某个人的全部照片，而生成样本不会明显变化。研究者据此认为，若移除某项数据后输出不变，就不能说该输出可归因于这项数据。第一作者、前MIT CSAIL研究人员Zheng Dai表示，如果逐一移除其他数据后输出也不变，那么把输出归因于其中任何一项都说不通。文中举例的模型使用744位艺术家的公有领域作品训练；相关争论涉及诉讼、许可协议和拟议监管，艺术家想要署名，公司想要清晰规则，政策制定者想要明确责任。
在华盛顿大学的课堂上，材料科学与工程教学副教授Luna Yue Huang通过GenAI for Science: Ai2–UW Materials Challenge，引导学生以批判眼光使用科研AI代理AutoDiscovery。该工具分析数据、提出假设、运行实验，并按贝叶斯意外度（模型预测与数据结果的差距）排序结果。25支队伍提交数据集与研究问题，其中10支入选，学生需核验证据、比对已发表研究，判断结果究竟是真发现、巧合还是数据问题。例如锂离子电池老化项目发现，周期性诊断测试本身或会加速电池衰减；但这只是数据中的相关性而非因果证明，确认它还需开展对照实验。AutoDiscovery的表现差异明显，有时能带来学生原本不会探索的线索。
后门投毒攻击在原本干净的微调数据中加入投毒样本，把触发器与目标行为配对。作者指出，现有评测通常固定投毒样本数量并从候选池随机抽样，可能严重低估最坏情况风险：在三种 LLaMA-3-8B 后门设置中，固定模型、干净数据与投毒数量，仅因所选毒集不同，攻击成功率就从 3% 变到 80%。他们将毒集选择形式化为带 oracle 预算的集合优化问题，提出 SAILS（Set-level Audit-Informed Iterative Learned Selection），通过数百次微调-评估学习集合打分器，对数百万候选集排序，只审核少量短名单。SAILS 的留出攻击成功率平均比最强影响基线高 30 个百分点，并可从小规模微调迁移到全规模，还扩展到代码生成、agentic 与仅 API 后门。
制药企业联合体报告称，用企业私有蛋白结构训练蛋白折叠AI模型可明显提升性能：研究者基于AlphaFold 3的开源复现版本OpenFold3，用超过20,000个专有结构训练新模型，表现优于仅用公开数据或各公司孤立数据集训练的模型。该研究以博客文章发布，尚未经同行评审，模型未公开。哥伦比亚大学计算生物学家Mohammed AlQuraishi认为这为建立类似公开数据集提供了依据；英国政府资助最高£800万（1,080万美元）的OpenBind项目上月已发布数百个结构。蛋白数据库(PDB)收录超过200,000个实验结构，但其中与类药物分子互作的结构可能仅约10,000个。
研究整合55,673条带地理坐标的热融滑塌（RTS）发生记录，结合机器学习模型，生成2000至2100年、多种气候变化情景下1 km分辨率的RTS易发性时空数据集；RTS易发性定义为特定环境条件下的相对发生概率。北极与青藏高原分别建模后合并，构成空间协调的北半球数据集。模型以标准分类指标评估，ROC曲线下面积（AUC）平均为0.96 ± 0.005。数据集包含北半球多年冻土区的RTS清单与栅格易发性图，覆盖基准期及多种未来气候情景，可作为量化冻土灾害风险、基础设施暴露与碳—气候反馈的基础资源。
肾移植活检的Banff病理诊断存在显著观察者间差异，易致误诊。研究以BanffNET自动化病变评分构建连续指数，量化活检的连续表型谱，补充病理医生评估。BanffNET对2544例训练队列、3863例验证队列及67位病理医生评分36例的多阅片者队列评分，并经惩罚回归将17项病变评分压缩为TCMR/TI、AMR/MVI、活动性与慢性化四个指数。验证队列中，前三者区分Banff TCMR、Banff MVI和任一Banff诊断的AUC为0.80至0.92；这些指数解释的变异在多数情况下与病理医生诊断及组织学指数相当或更高，并与多阅片者诊断、移植失败时间和分子标志物相关。
现有幻觉评测多围绕“陈述是否有据”展开，却难以追踪证据在推理、置信度到最终行动全链条中是否可追溯。E2A-Bench 是面向金融图表推理的 969 条查询基准，基于 323 只 HS300 成分股构建，涵盖三种输入模态，并以确定性的 OHLCV 证据锚点支撑。该基准通过 UCR、RCI、ECI 和 NDR 评测语义接地、推理—行动一致性、证据—置信度校准与方向性覆盖，其中 NDR 衡量的是覆盖感知的证据到行动可靠性，而非实际交易表现。对 20 个 VLM 的评测揭示了标量幻觉分数掩盖的三类问题：UCR 最低的模型因方向性覆盖仅 6.4% 而在 NDR 上接近垫底；借助 oracle 的核验虽减少无据陈述，却可能使覆盖崩溃；金融微调使严格配对的基座—微调模型 BUY:SELL 比值放大 4.21 至 4.68 倍。作者因此主张评测应追踪完整的证据到行动链条，而非依赖单一幻觉分数。
据 The Week 报道，OpenAI 称用内部模型在约三天内给出 Navier-Stokes 存在性与光滑性问题的证明。该问题属于七大 Millennium Prize Problem，研究描述液体与气体运动的方程，可用于预测天气、模拟洋流或整体气候。New Scientist 称公司先用 1,000 个 AI agent 攻克类似问题，再用约 10,000 个完成任务；客户运行同一问题约需 1,500 万美元（1,100 万英镑）。但成果被一场“争议”笼罩：纽约大学数学家 Tristan Buckmaster 与 Anthropic 研究者 Levent Alpöge 此前也借助包括 OpenAI Codex 在内的大语言模型宣布“破解”三个相关问题，信息私下保存，公布时间在 OpenAI 发布前数小时，由此引发对数据隐私与研究完整性的质疑。
该研究提出 Dynin-Robotics，以全模态掩码扩散主干 Dynin-Omni 将语言、视觉观测、目标和动作统一表示为离散 token，并通过共享轨迹模型把预测引入动作生成与筛选。改变条件与目标片段后，同一模型可学习动作预测、动作条件下的下一观测预测、终态目标预测以及轨迹到指令的重建，从而支持目标引导、候选动作评估与联合精修等测试时扩展。模型在 Open X-Embodiment 的 48 个数据集约 133 万条轨迹上持续预训练。在 VLABench 两项任务中，机器人预训练在固定 Stage-2 步数预算内改善适配；目标引导与动作-下一状态联合去噪的组合进一步提高指令偏移条件下的成功率。在 LIBERO 与零样本 LIBERO-Plus 上表现有竞争力，Franka Research 3 机器人四种操作条件的平均成功率为 78.4%，优化后的块并行实现使模型侧动作解码最高加速 29.2 倍。
研究提出 Expert-Space Exploration Reinforcement Learning (ESRL) 框架，在MoE模型的强化学习后训练中显式探索专家路由空间。经验分析显示，扰动专家路由能改变模型输出、增加rollout多样性，效果类似提高解码温度；但直接扰动会激活不合适的专家，显著降低rollout质量。ESRL保留高置信专家作为锚点，将随机路由限制在合理的候选池内，并依据router熵调整扰动强度以避免过度扰动；同时记录rollout阶段使用的专家路径，在策略优化时回放，以缓解扰动带来的路由不匹配。实验表明，ESRL在top-K、top-1、共享专家路由的MoE骨干，以及数学、科学、代码任务上均取得最佳表现，且无需额外采样或计算开销；其中在Qwen3-30B-A3B上较GRPO的平均Pass@1与Pass@8分别提升3.2和4.5个百分点。
研究发现，用RL训练LLM的收益在数据集上并不均衡：模型本来擅长的简单题提升明显，困难题提升有限，作者称之为RL for LLMs中的“马太效应”。其解释是困难题需要更多算力才能找到解，而现代RL方法在简单题上浪费了过多算力，应当动态重新分配算力。为此提出简单自适应采样方法Never Give Up (NGU)：对一个问题持续采样直到得到正确答案，结合异步RL，自然地用更少样本筛除简单题，把更多算力分配给难题。文中还考察了off-policy鲁棒性等影响NGU的设计选择，并总结了一组最佳实践。在数学基准Deepscaler上，NGU提升了单位算力的性能，在更难的问题上尤其明显；在编码任务Manufactoria上，带逐测试奖励的标准GRPO无法完全解出难易测试混杂的题目，而NGU不断迭代，逐步攻克更难的测试，最终学会完整解决编码问题。
面向可验证奖励的强化学习通常采用在策略方式，探索局限于策略自身能发现的轨迹；离策略方法可利用外部知识，却可能带来较大的分布偏移。MInTRL 在基本保持在策略的采样中引入稀疏、局部的干预：生成阶段由 judge-intervention 策略定期检查当前策略输出，用简短纠正替换错误后缀后立即交还控制权；训练阶段采用序列级优势回归目标，从而无需重要性采样。作者称，稀疏局部干预在有限预算的在策略采样之外显著提升覆盖度，同时保持轨迹整体的在策略性质。在数学与代码基准上，MInTRL 稳定优于标准在策略与离策略基线；消融实验显示其在自干预和不同 judge 策略下依然有效，且干预强度适中时性能最佳，说明干预应保持最小化。
Anima Anandkumar介绍其团队针对无外力Euler方程奇点开放问题的工作，并称已将论文和代码公开。该研究不同于NYU团队和OpenAI所采用的具有离散尺度跳跃的多尺度构造，而是尝试为自由空间中的Euler方程寻找自相似奇异剖面。作者称，带边界的Euler方程等修正情形已有成功结果，但边界用于约束奇点的技术不适用于自由空间。团队使用物理信息神经网络（PINN）寻找候选解；此前相关尝试未成功，主要困难包括优化易收敛到平凡解，以及数值精度需足以将数值解转化为解析证明。
King 等人在 Science 上报告了用生成式 AI 设计完整细菌噬菌体基因组。所用基因组语言模型 Evo 1 与 Evo 2 在大规模 DNA 序列数据上预训练，其中包含超过 200 万条噬菌体基因组。生物信息学基准测试显示，模型生成的序列真实，且多样性超出自然界所见。作者以裂解性 Microviridae 噬菌体 ΦX174（基因组约 5.4 kb、含 11 个基因）为设计模板，用约 15,000 条 Microviridae 序列做监督微调，生成 ΦX174 样基因组，再按序列质量、嗜性特异性和进化多样性进行计算筛选，得到 302 个候选噬菌体基因组。该预览未报告这些候选的实验验证。
Nature Computational Science 于2026年9月10日在线发表的这份 Resource 介绍 PathSegmentor：一个基础模型，可通过自然语言提示对160类病理类别进行分割。文中称该模型能在不同数据集与临床队列之间保持泛化，从而支持可扩展、可解释的病理图像分析。doi:10.1038/s43588-026-01042-5。
研究指出，符号系统依赖数学求解器保证推理正确性，却无法判断形式化翻译是否与指定的形式化保持严格等价。作者将此漏洞形式化为“判定保持性不忠实”（Verdict-Preserving-Unfaithfulness, VPU）：错误编码仍能成功执行并得到预期判定；并从理论上证明，仅依赖判定的结构性验证启发式在这类“看似有效”的轨迹上，检测能力在数学上被限制在随机水平。为此提出生成式验证 GenV，将离线 Z3 等价预言蒸馏为与参考无关的连续参考等价分数，复用语言模型原生词表空间。经决策投影 logit lens 与稀疏自编码器的机制分析显示，该生成式读出无需显式定位训练即可提取精确的误差坐标。其预言挖掘的验证器 GenV+HN 在参考等价验证上达到 0.961 AUROC，能对未见过的翻译器和不同的形式风格零样本泛化，并在 agentic 测试时算力分配中带来 11.3 个百分点的下游准确率提升。
研究者整合来自灰质与白质的颅内神经信号，开发了个性化深度学习模型，可在观看图像和视频的任务中准确解码连续的效价（valence）与唤醒度（arousal）状态。这些模型能够跨任务泛化，识别出编码情绪的脑网络子网络，并实现低延迟的实时解码，使情感脑机接口更接近可用于闭环治疗的水平。论文发表于 Nature Computational Science。
TRACE 是面向火灾后物体理解的转换感知基准，含 21.4K 个基于真实图像的合成场景与物体级完好—退化配对演化，覆盖 189 个类别、499 个物体身份，定义退化物体检测、完好状态恢复与检索、原始材质恢复、完好描述生成、功能推理五项任务。现有模型随退化加剧急剧下降：RF-DETR 的 mAP 相对下降 71%，InternVL3.5 检索 R@1 从 93.85 降至 28.11。作者提出即插即用的 Feature Recovery Module (FRM)，在宿主模型冻结条件下仅用配对特征监督，把退化编码器特征映射为完好对齐表示，提升场景级检测、CLIP/SigLIP2 特征恢复及四项物体级 VLM 任务，平均相对增益为检索 12.5%、材质恢复 20.1%、描述生成 13.2%、功能推理 12.4%，且退化越重增益越大。
Google DeepMind 推出 AlphaGenome Atlas，预先给出人类基因组约 90 亿种单碱基变异的预测，同时覆盖编码区与更大的非编码区。该平台数据量为 1 petabyte，是 AlphaFold Database 的 30 多倍，并引入 AlphaGenome Variant Impact（AVI）评分，帮助研究者对潜在重要的遗传变化排序。与 Broad Institute 合作的研究用 AVI 评分优先筛出与癫痫性脑病相关基因 DNM1 的一个变异，随后实验验证了预测效应；另一项分析基于 54,000 多名 UK Biobank 参与者的数据，按预测分子效应对变异分组后，多识别出 22% 的非编码遗传关联。DeepMind 强调这只是起点而非终点，目标不是取代实验室研究，而是帮助科学家决定哪些遗传变化值得优先深入探究。
多个与 OpenAI 有关的账号表示，一项 AI 辅助工作得到了 Navier–Stokes 相关结果，讨论聚焦于有限时间奇点（blow-up）。Ethan Knight 称该结果出自约 10,000 个 agent 的协作，OpenAI 过去一年用 multiagent RL 训练模型协同；原标题进一步给出 88 小时、约 130B tokens（逾 4000 万美元）与 Astra-next，并将其称为第二个 Millennium Prize 的有力候选。舆论反应分裂为技术兴趣、质疑与 meta 层面的作者归属争议；有讽刺性转述把数学界接受称作“小形式”。编辑建议不必深究 drama，认为 OpenAI 的成就为真、过程仍有争议。目前无证明细节与独立验证。
ReactHuman 是首个面向类人反应式决策的物理基准：被测 MLLM 充当模拟人形体的“大脑”，应对家中突发危险。基准涵盖 17 类事件、1,000 余个逐位可复现场景，真值来自 240 Hz 刚体仿真，无需人工标注，并含外观与物理相悖的对抗性物体（泡沫铁砧、钢制苹果）；每次提交的方案都会被实际执行。作者用五项指标从合理、安全、物理一致三个维度打分，评测了七个代表性 MLLM。结果显示反应式安全远未解决：模型约有三分之一的危险情境处理错误，依赖固定倾向而非场景、以貌取物、即使动作正确也在米级尺度上错过拦截点，且这些失败不随模型规模缩小。
研究想法即便新颖合理，其方法规范也可能不足以支撑忠实实现。作者提出“可编码就绪度”，即规范是否提供足够方法信息，使合格实现者或编码智能体无需额外假设即可构建预期方法。他们依据论文、代码库、issue 讨论与复现材料构建有证据支撑的规范及其解析，推出 IdeaAMBIG 基准，共 660 个实例：163 个来自复现报告和 GitHub issue 的真实缺口，以及注入就绪参考的 497 个受控合成缺口。基准评测三项能力：就绪度评估、缺陷定位与澄清行动生成。在 13 个 LLM 中，最佳模型在真实实例上的 Macro Defect Recovery Rate 为 9.6%，而在给出缺陷后 Macro Clarification Action Success Rate 达 80.6%。oracle 研究显示，提供标准解析使下游就绪率从 14% 升至 98%；缺陷定位是主要瓶颈。
电化学界面在运行时的非平衡条件建模对能源技术至关重要，但第一性原理方法成本高昂。该研究提出一种嵌入电压偏置的 E(3) 等变图神经网络，用于开放体系模拟。模型将体系能量和力拆分为零偏压与偏压相关部分，并为电极和散射区原子赋予不同的向量编码。仅用有限的离散偏压数据训练后，模型表现出较高预测准确性和稳健的外推迁移能力。在锂/水界面测试中，模型捕捉到电场诱导的水分子动态重取向，并复现不同电极处不对称的电化学行为。
研究者对其图注意力评分器 MetaGNN 进行自审，评估其在 TCGA 结直肠癌（n=624）、乳腺癌（n=1,095）和肺腺癌（n=517）队列上的结果。以同一转录组矩阵阈值化所得标签监督时，TCGA-BRCA 的 AUROC 为0.9864±0.0008，但其中5,925个反应标签是输入的确定性阈值，另有4,675个标签可由固定伪随机数生成器逐位复现，模型会记忆患者不变标签。经核查，独立于输入监督的存档模型特征张量全为零。重建并验证特征后，AUROC降至0.5800±0.0017，低于原始表达基线0.6342±0.0058及无信息指示器基线0.6085；作者撤回此前归因于关系边的+0.105 AUROC增益。
预测信号常存在于非结构化自由文本中，将其转化为有用且可解释的特征并不容易。研究提出一种智能体工作流：LLM 先生成任务特异性的预测因子分类法，并对有限文本样本进行弱标注；本地抽取器处理全文语料，确定性构建器再汇总证据，形成动态的纵向概念瓶颈。在纵向肿瘤队列的药物停用预测和 MIMIC-IV 的30天再入院预测中，该瓶颈结合梯度提升，将 AUROC 分别从0.700提高至0.761、从0.576提高至0.609。其性能与直接使用 BioClinicalBERT 预测相当，同时提供明确、可解释、可追溯的任务特异性概念。两项任务的 LLM 弱标注成本分别为24.00美元和23.39美元；对全量语料逐句处理的预计成本则为10,648美元和11,519美元。
研究人员开发了 R 软件包 WGCNA+，以扩展原本主要面向单层转录组数据的加权基因共表达网络分析（WGCNA）。该工具提供逐层网络推断与跨层模块富集、经 SVD 加速的拓扑重叠矩阵计算，以及识别可在独立数据集或条件间复现模块的共识框架。配套软件包 LASAGNA 可按表型条件可视化跨组学关系。作者在公开转录组、蛋白质组和 miRNA 数据集上测试称，WGCNA+可检测具有生物学意义的模块、跨组学特征及表型相关性，并以 AI 注释和信息图辅助解释与假设生成。WGCNA+和 LASAGNA 以 R ≥3.5 实现并免费提供。
研究提出物理信息混合门控循环单元（PI-HGRU）模型，用于预测由真菌引起的水稻纹枯病时空动态。该模型将描述病害传播动力学的微分方程作为机制约束嵌入HGRU框架，并以2000—2016年中国南方16个水稻主产省的17年多源数据训练和评估，数据涵盖田间病害观测、遥感、气象和土壤属性。针对不规则采样和序列长度不一致，研究采用滑动时间窗预测框架，并通过敏感性分析配置输入时间窗和滞后时间。相较纯数据驱动的HGRU基线，PI-HGRU的r²提高22.8%，RMSE和MAE分别降低10.2%和18.0%。中间变量分析显示，传播率β(t)与输入时间窗内的环境条件存在可解释关系。
为应对专业科学领域公开图文资源有限的问题，研究者构建了来自地图相关科学文献的大规模图-文配对数据集 FTPD-ML。该数据集源自制图学、地理学、遥感及相关学科的 96,859 份科学出版物，提供 75,702 对可公开再分发的图-文配对，均遵循知识共享署名（CC BY）许可，包含原始图注、标准化图注变体、上下文段落描述等多层文本表示及书目元数据。不可再分发文献的记录仅以元数据表示，以符合版权与许可要求。数据集可用于图像-文本检索、图像描述、科学文档理解及面向制图的视觉-语言研究。
Anthropic 表示，他们分享了费马大定理的首个完整计算机验证证明。Claude 在 11 天内基本自主地用 Lean 编程语言写出证明，期间生成 1300 万行 Lean，并证明 29,500 个中间定理。费马约在 1637 年提出：对任意 n > 2，不存在正整数 a、b、c 满足 aⁿ + bⁿ = cⁿ。Andrew Wiles 爵士 1995 年的首个证明长达 129 页。此后，包括伦敦帝国理工学院 Kevin Buzzard 于 2024 年发起的多年社区努力，推动用 Lean 证明助手完成形式化。Anthropic 研究员 Tianyi Peng 所在的哥伦比亚大学团队构建 AI 形式化工具；他测试 Claude 能否推进 FLT 形式化，结果超出预期。Buzzard 称，这项自动形式化成就证明 FLT 时除数学公理外没有其他假设，并显示 AI 自动形式化产物已足够稳健、可被继续构建。
AutoGraphForge是一个在建流水线，用于自动提出、反驳、形式化并证明图论猜想。Graffiti3生成器以反例引导方式在初始几百个图、仅随反例增长的快照表上逐轮提出猜想；由559条经典与民间关系构成的新颖性过滤器用线性规划判断是否已被已知结果蕴含，幸存者再在约348,000个图（含House of Graphs不变量导出、至多9个顶点的连通图穷举、若干极值族与随机模型）上测试。在HPC集群上运行数轮后，6,522个猜想通过数据集、新颖性过滤与主动搜索；其中有二部图与正则图的消没数与边覆盖数间的非平凡关系，已手工证明。后续将每个幸存猜想翻译为Lean 4语句骨架；候选证明经固定mathlib4与自定义不变量前导做内核验证，并整合DeepSeek-Prover-V2-671B与OProver-32B两个神经证明器。流水线已通过初步检查，正在运行。
人工智能日益将科学文献视为构建数据库、训练预测模型和指导发现的数据来源，但文献衍生数据集往往假设报道的实验值内部一致且可直接复用。本研究以固体电解质（SE）电导率数据为代表案例，追踪数值从源论文进入整理数据集的过程，发现常见的文本-图表不一致、坐标轴标注含混、单位不一致和测量背景缺失。这些偏差在数值上往往看似合理，常规预处理难以察觉，却可能在数据库构建和机器学习复用中作为结构化标签噪声传播。一个跨数据库示例显示，含混报告可造成100倍电导率误差。该分析将数据准确性重新定义为AI驱动发现的基础设施要求，并推动可溯源报告、整理与验证实践。
HiPoly是一个聚合物原生AI框架，基于G2RINS表示采用三级层级图架构处理完整聚合物描述，将随机单体间连接、组成和分子量直接编码进模型，并遵循反映聚合物多尺度特性的物理启发设计原则。它建立了从实验配方数据到性质预测、生成式分子设计及分子模拟物理验证的统一端到端流程。作者报告多组分聚合物体系热物理性质预测达到最先进精度；消融研究证实各层级设计选择独立贡献性能。示例中，生成式设计用于寻找持久性含氟聚合物的可持续替代品，识别并独立验证了具有目标表面能性质的无PFAS候选物。
研究首次将 Koopman 算子理论及其数据驱动近似方法扩展动态模态分解（EDMD）应用于X射线光变曲线。该理论将非线性演化表示为无限维线性算子，其特征分解可得到独立演化的线性模态；研究推导出每个特征函数会在功率谱中贡献一个洛伦兹峰，并将准周期振荡解释为受过程噪声阻尼、峰形展宽的模态。在混沌Duffing振子模拟，以及对X射线双星4U 1705-44约30年的RXTE ASM和MAXI监测中，变化最慢的特征函数可划分低、高通量状态，并在光变曲线可见转变前数天至数周改变符号。迭代该算子还可给出数天至数周尺度的通量预测。
电子-声子相互作用支配固体中的载流子动力学、输运及多种光学和量子现象，但PAW框架下的有限位移计算需对N原子体系做多达6N次自洽超胞计算。MLLocP在实空间网格上学习自洽局域势，并将其位移导数用于全电子PAW电子-声子矩阵元；其余PAW量沿用VASP/PHELEL框架，保留全电子形式。对Cu、极性BAs和化学无序Cu3Au的验证显示，输运系数误差约为8%（Cu电导率）、3.5%（BAs迁移率）和11%（Cu3Au电导率）。对32原子Cu3Au特殊准随机结构，40个采样构型比192个直接位移结构减少约五倍自洽计算；20或10个构型加速约10或20倍，电导率误差为14.3%和18.6%。
PocketScope 是一种免训练框架：它用冻结的 ESM-C 600M 嵌入表示空腔内壁残基，并通过穷举式晚期交互 MaxSim 检索相关结合位点，无需池化或近似最近邻搜索。在 AlphaFold 人类蛋白质组中，该方法在 37,682 个蛋白质里识别出 153,805 个空腔，并在精选药理学配对中找回有记录的药物脱靶。在 ProSPECCTs 基准的十个集合中，PocketScope 按平均排名位列 23 种方法中的第 1。PocketScope 已开源，并作为免费 Web 服务器提供（https://www.bhargavaresearch.org/pocketscope）。
药物-靶点亲和力（DTA）预测有望加速药物发现并降低开发成本。本研究在四种分子表示骨干上整合四类预训练蛋白质语言模型（PLM）嵌入——分别针对结构预测、功能预测和序列掩码任务构建——形成PLM-GraphDTA，并与经典一维卷积方法比较；同时评估为改进蛋白质表征学习而修改的基线卷积架构DeepGraphDTA。模型在Davis和KIBA基准数据集上用一致性指数（CI）和均方误差（MSE）评估，使用冷启动训练/测试划分检验泛化能力，并分析各蛋白质对总CI的贡献。结果表明，对传统卷积方法进行简单架构修改或许足以弥合与大型预训练PLM之间的差距。
Puffin-World是一种统一多模态架构，将物理理解、空间模拟与3D世界生成和重建结合，无需外部离线模块。它联合建模物理（重力场与纬度）、几何（深度）和外观（图像）三种原生世界状态，并用统一Omni-Camera表示支持多种任务和灵活运动；还通过在未来帧间传播物理动态、锚定绝对相机属性，实现物理一致且视觉稳定的世界生成。该流程在同一生成过程中耦合外观与几何，联合合成未来视图并重建几何，支持模仿与自校准世界探索等闭环应用。为扩展规模，作者构建Puffin-16M数据集，含1500万组视觉-语言-相机三元组和100万条挑战性运动轨迹，并已发布代码、模型与数据集。
科学软件常被锁定在其源语言中，虽可被其他环境调用，却无法被原生扩展或作为基础构建。Bio-Babel（biobabel.stanford.edu）是一个自主框架，可在目标生态系统中原生重建此类软件，并使其可被智能体调用；每个软件包都附带智能体可读的使用契约。在重建一个层次化、相互依赖的 R 到 Python 单细胞分析软件栈时，Bio-Babel 忠实再现了原始软件，并揭示了分级 SWI/SNF 缺失下胰腺分化的动态缺陷。
威斯康星大学麦迪逊分校自然资源经济学助理教授、Global Fishing Watch科学顾问委员会主席詹妮弗·雷纳讨论了AI赋能船舶追踪技术的快速演变。其2026年7月发表的论文“Satellite-Based Fishing Fleet Tracking: A New Foundation for Fisheries Science and Management”指出，过去十年有两项关键突破：Global Fishing Watch于2018年发布基于AI模型的表观捕捞活动数据，首次让科学家、管理者、政策制定者、记者及公众获得全球尺度的工业捕捞船队数据。但AIS仍存在重大盲区，如船长可关闭或篡改应答器，卫星接收在许多地方仍不佳。
脑机接口预处理仍依赖人工、专家经验且难以复现。EasyBCI 是一个两阶段大语言模型代理，规划并执行六类信号的预处理流程：规划代理生成不向模型暴露原始数据的 Data Fingerprint，并选择基于文献的算子序列；执行代理生成、运行并自我修正代码，质检门控的经验系统保留验证过的策略，领域专家在两个决策门介入。在 EEG 固定线性分类器评估中，EasyBCI 的五个骨干网络均比手动流程保留更多任务相关可分性；同骨干比较下，五组配置中四组在两种标签方案上优于通用编码代理。它还可扩展至另外五种模态，采样率跨近三个数量级，并产出带决策来源的完整可复现流程。
论文提出 MiNER，一种面向疟疾疾病实体识别的微调生物医学自然语言处理方法。该方法筛选并预处理大规模疟疾科学文献，标注临床重要实体，利用 BioBERT 获得上下文感知表示，并通过领域标注与监督学习微调模型，提升生物医学命名实体抽取能力。与不同编码和机器学习算法相比，该方法在精确率、召回率和准确率上显著更优；作者还发布了人工标注的实体与关系抽取数据集，供其他健康信息学研究者训练疟疾信息抽取模型。
SCAFFOLD 是一个面向计算机科学研究图表的大规模结构化数据集，由 arXiv 计算机科学论文经版面检测和 PDF 解析构建，包含（图像、标题、上下文、问答、思维链）元组，并采用 AI 辅助生成问题。数据集包括大规模 SCAFFOLD-157K（3,058 篇论文、29,887 张图、157,387 对）、中等规模 SCAFFOLD-37K（36,797 对）和小规模 SCAFFOLD-12K（12,000 对）；作者使用 SCAFFOLD-12K 对 Qwen2.5-VL-3B-Instruct 进行基线实验。
BanffNET是一种弱监督概率深度学习框架，结合自监督特征提取与新型贝叶斯多示例学习，可直接从全切片图像连续预测整套Banff病变评分。它针对局灶性病理（建模病变严重程度）和弥漫性病理（建模病变范围）设计了病变特异性聚合函数，并生成可解释的图像块级概率图与校准的切片级评分。该系统在来自三个队列的7,249张全切片图像上训练，在五个外部测试集的11,028张全切片图像上表现稳定，与专家共识相当或更优；其评分比病理学家的Banff评分更接近排斥反应的分子特征。
AI已能协助大量科研工作，如文献检索、数据分析、写代码、提出并检验假设；更难的是建立研究人员能在研究展开过程中引导的系统，尤其是新证据出现后，需要调整要追踪的假设、要做的实验或下一步问题。8月27日，Ai2举办活动，标志其与Providence Swedish癌症研究所Paul G. Allen研究中心的合作扩展，并聚焦当今科学AI仍欠缺之处。与会者反复提到五大挑战，第一个是给人的判断留出空间：今天的AI系统并不能可靠区分有趣的结果与琐碎、不合理或已为人知的结果。例如AutoDiscovery可能给出统计上惊人但生物学或临床意义不大的假设。
DS-Lighting 是一个面向大语言模型（LLM）智能体数据科学自动化的统一框架工具包，将智能体框架（harness）显式化。它把 harness 拆分为数据、工作流、执行和评估四个可复用层，并将不同智能体表示为可执行算子程序，支持预定义流程与自适应搜索。研究整合多个开源数据科学基准为 MLE-Bench 风格任务格式，以在共享任务接口、沙箱运行时和指标协议下进行受控比较。跨智能体、harness、模型和消融实验表明，显式框架设计提高可复现性、可比性和可靠性，并减少端到端工作流中可避免的系统级故障。
跨组织保守的蛋白共丰度簇可揭示共享疾病机制和候选治疗靶点。作者提出一种LLM智能体框架，构建组织特异性网络、推导配对共识簇，并整合表达图谱、蛋白互作与复合物数据库、通路注释、疾病目录和文献证据。将该框架应用于41种人体组织/体液的820种两两组合，共识别出406个组织对中的1,833个保守共丰度簇。结肠、滑液、血液、脑脊液和骨髓连通性最广，含簇最丰富的组织对以骨髓为主。非显而易见的关系包括皮肤-骨髓超过解剖相邻的骨-骨髓，结肠-乳腺包含涉及细胞外基质重塑、脂质代谢和免疫调节的癌症相关簇。聚类分析进一步提出脑-肠细胞外囊泡/氧化还原/血清素辅因子轴和肝-骨髓应激反应轴等机制假说。代码和数据见GitHub。
本文提出一种将动态刚度矩阵（DSM）与物理信息神经网络（PINN）相结合的框架（DSM-PINN）。该模型在数据有限的问题中表现出鲁棒性；网络输出用于近似单元节点位移场，与有限元法不同，其形函数为控制偏微分方程的齐次解，构成精确DSM，避免高阶导数项。损失函数由神经网络与DSM连接而成。研究利用Wittrick-Williams算法求解特征值问题，克服神经网络难以收敛到高阶特征值的困难；并用频域PINN分析移动载荷和冲击载荷下的结构动态响应，解决神经网络处理复数时的局限。还分析了引入边界条件后DSM为不定矩阵时的理论收敛稳定性。
气象再分析以连续且受物理约束的场编码极端天气，这与视觉语言模型主要基于自然图像形成的感知假设并不匹配。研究提出可插拔的物理感知视觉抽象（PAVA），将再分析物理场映射为可视觉识别、具语义基础的感知抽象，用于监督和评估视觉语言推理。基于PAVA，团队构建OmniClimate-TC基准，覆盖5类推理、9项任务，并含243,890个具物理基础的指令微调样本对。经PAVA对齐监督适配后，视觉语言模型在热带气旋灾害场推理上有所改进。
大型语言模型（LLM）在数学推理基准上表现强劲，但其推理背后具有数学意义的技能仍研究不足。本文提出SHAPE框架，从数学教育中的两个视角分析思维链（CoT）轨迹：一是语义空间，即模型对问题不断演化的数学解释；二是启发式，即在这些空间内采取的具体数学动作。分析显示，模型所采用的数学启发式比传统CoT特征更能解释最终答案的正确性，且模型更倾向将推理集中在少数语义空间而非广泛探索，这与人类行为一致。利用SHAPE评估后训练是否真正提升数学能力，发现强化学习会使启发式使用出现模式寻求（mode-seeking）现象。通过促进多样化启发式进行后训练，可有效提高准确率。
我们提出SNAIL，一种混合命名实体识别框架，用于从生物医学文本中自动识别生物信息学软件和数据库名称。它结合词法建模与基于SciBERT等Transformer的语义建模，并通过显式token掩码策略增强实体表示；训练语料由引文提示抽取和大语言模型辅助蒸馏自动构建。在两个独立基准数据集和真实研究论文上的评估显示，SNAIL显著优于现有方法，包括bioNerDS2以及ChatGPT、Gemini、Grok、Claude等通用大语言模型。将其用于大规模文献分析，还揭示了不同生物信息学子领域的期刊层面偏好。结果表明，SNAIL能准确、可扩展地识别文献中的生物信息学资源，支持对工具使用和研究趋势进行系统性荟萃分析。
《Nature Biotechnology》于2026年9月1日在线发表一篇文章，提出应把参考物质作为多组学测量的通用校准器，并与研究样本一同检测；多组学结果应以“样本与参考物质之比”的形式报告。该文认为，采用这一共同校准和比值报告方式，可以保障数据的可复现性，使其适合用于人工智能工具。文章关注的是多组学数据在用于人工智能时的可复现性，其题目为《Ensuring multiomics data reproducibility for artificial intelligence with reference materials as a common calibrator》。
BloClaw是能力门控的AI4S工作站，核心理念是智能体应自知能做什么、展示如何做、明示哪些未验证。能力声明含执行状态、输入约束、依赖、预期输出与局限；自然语言请求转为结构化任务，经校验后执行，并记入可溯源Living Lab Notebook。系统可检测无效输入、工具失败、依赖缺失和远程超时，并转交修复、重试或升级。已实现RDKit分子筛选、蛋白结构分析、对接姿态检查、3D可视化与结构化报告。用PubChem的osimertinib和6LU7演示：前者得到确定性描述符（分子量499.619 Da、cLogP 4.5098、TPSA 87.55 A^2）；后者含2,387条ATOM、309个残基、9个姿态记录；仅为演示，非效力/亲和力研究。另提出先验最小化构造模式及对比单智能体与固定脚本的评估协议；尚不宣称基准改进。
PhageTAILor是一个整合、全自动的开源流程，利用机器学习从细菌基因组中检测并分类前噬菌体及三类噬菌体尾样元件（PTE）：尾素、细菌VI型分泌系统（T6SS）和胞外收缩注射系统（eCIS）。它结合6个基于同源性的检测器与LightGBM分类器，训练数据来自6,501个基因组携带的13,082个前噬菌体和PTE。在76株跨分支基准中，尾素检测F1=0.955；在13个经实验验证的尾素中识别出12个，优于仅限于假单胞菌的TattleTail（2/13）。应用于7,925株植物/土壤相关细菌，显示叶际有前噬菌体、植物相关细菌中有尾素，而eCIS在土壤中富集。
微软介绍 AI 智能体 Medea，用于在细胞类型、疾病状态、遗传背景和患者等不同生物学背景下开展治疗推理。该系统在规划、执行和证据综合中实施验证，并结合生物学工具、机器学习模型与文献检索。研究在 3 个领域的 5,673 项开放式分析中评估 Medea：5 种疾病、29 种细胞类型的靶点提名，7 个癌细胞系的合成致死预测，以及基于多模态患者档案的免疫治疗响应预测。利用两种 DNA 损伤治疗下、此前未发表的酵母表观微阵列筛选，Medea 预测了 238,046 对基因中的实验测得合成致死相互作用。研究称，其表现优于多类模型，并具有较低失败率和经校准的弃答能力。
GigaPath-Flash 与 GigaTIME-Flash 是 GigaPath 和 GigaTIME 的更高效版本，通过经蒸馏的病理学基础模型骨干降低计算需求，同时保持性能，使更大患者队列的重复分析成为可能。这些开放模型支持人群规模发现，可帮助研究者利用常规病理数据研究疾病生物学、生物标志物与临床结局。公告同时说明，两者均为研究模型，不拟用于也未经验证可用于诊断、预后、治疗选择等临床决策；性能可能随数据集、扫描仪、机构、人群与用例而变化。
稀疏自编码器（SAE）等可解释性方法有望通过解释AI模型的超人类能力，使其成为生物学发现引擎。作者将评估潜在变量时经常混为一谈的三个问题整合为一条流水线：跨种子字典稳定性优先筛选值得研究的潜在变量；入侵者检测任务判断其激活示例是否呈现可识别模式；随后提出候选生物学描述，转化为可在计算机上检验的预测。在Boltz-1 Pairformer主干上，稳定性筛选以约4.4倍更少的潜在变量评估和5.2倍更低的实测成本找回过半潜在变量；外部检验显示所得基序显著富集所标注注释。结果还提示，跨种子稳定性可能更偏好结构相关特征，而非功能相关特征。
材料预测取决于科学知识的表示方式，但许多规则只是自然语言启发式，常规学习器无法直接使用。作者提出大语言模型辅助框架 CRISP，将表示构建视为规则空间探索与编译：不访问结构、标签或数据划分，反复采样相关化学规则，整合并编译为可执行标量描述符。在无机晶体的 positive-unlabeled 可合成性预测中，CRISP 在共享学习器下优于专家构建和通用结构表示，并超过专用可合成性模型；结构尺寸和化学家族偏移下优势最明显，低频规则也提供互补信息。同一流程在形成能和离子电导率上得到有竞争力的表示，但揭示剪切模量的任务依赖局限，提供了不依赖数据集的、可审计的路径。
OrbGNN是一种类似于分子图和机器学习原子间势（MLIP）框架的电子结构图架构。它以双轨道相互作用构成图表示，用轨道纠缠编码轨道间连接，并将来自轨道相关性度量的信息直接嵌入图拓扑，从而紧凑地表示分子的轨道景观和电子相关模式。对轨道图特征空间行为的分析显示了模型稳健性。该模型被用于氮分子解离和更大的双原子分子数据集评估，并应用于一组八面体铁(II)配合物以预测自旋态能隙。
这篇综述探讨如何用最优传输比较无向、无权图，重点介绍三种距离：Wasserstein、Gromov-Wasserstein 和 Bures-Wasserstein。作者考察了一维 Wasserstein 距离通过节点特征概率分布得到的闭式解，并展示 Wasserstein 与 Gromov-Wasserstein 的传输计划如何在图扰动后识别影响距离的具体节点。针对 Bures-Wasserstein 距离，他们利用拉普拉斯谱推导出界，以避免完整谱分解。最后，在合成网络数据集上进行聚类评估，并在真实世界时间序列网络上进行异常检测评估。
后训练量化常被视为语义中性的边缘部署优化；若只在源精度下评估、又在部署前进行量化，就形成验证–部署缺口。研究者形式化量化行为等价类（QBEC），并用三阶段对抗微调把潜在恶意载荷嵌入能通过源精度检查的模型，使其在INT8或4位压缩后激活目标行为。该威胁从仅解码器因果LM扩展到多语言编码器-解码器序列到序列模型；在战术机器翻译与政治内容分析中，后门翻译模型在修复FP16下敌我破坏为0，量化后最高达85.02%反转，配对立场分类器压缩后意识形态偏移最高ΔBias=0.33。跨量化器迁移性因方案和架构而异，不只看标称位宽；源精度审计不能排除此类后门，最终部署配置应纳入行为认证。
一项两阶段诊断准确性研究在英国Type 1急诊科（≥16岁）以共识判定参考标准（n=2,256）为对照，评估临床编码、临床医生审查与本地部署大语言模型（LLM）识别酒精、药物和自伤就诊的能力。参考标准识别12.1%，编码6.0%，临床10.0%，LLM 15.6%。LLM平衡准确率不劣于或优于临床医生（酒精0.942对0.930，p=0.635；药物0.959对0.791，p < 0.001；自伤0.982对0.908，p=0.004）。编码每例识别患者记录1.07个领域，参考标准为1.32。应用于105,096例年度就诊后，校正后年度患病率相当于每年12,890个领域涉及无法从编码数据识别；至少81.6%自伤就诊需先接受外伤或过量医疗评估。结论：编码识别不足一半且全年存在漏录，LLM可在NHS基础设施内从现有临床文本生成更完整的结构化数据，规模为人工审查所不可及。
研究者在 The Cancer Genome Atlas 乳腺癌队列中部署了AutoDiscovery——一种基于surprisal自动提出假说并系统探查复杂数据集的新大语言模型框架。没有人类输入时，系统未能发现临床上新颖且有意义的发现；但在加入肿瘤科医生极少量文本作为种子的warm-start运行中，它提出了多个有趣且令人惊讶的假说，其中之一是浸润性小叶癌（ILC）所有亚型均存在稳健的免疫特征，且超过浸润性导管癌（IDC）。该发现在独立队列及高灵敏度多重免疫荧光肿瘤组织分析中得到验证。研究者认为应在ILC（包括早期ER+HER2- ILC）中测试免疫治疗，这些患者目前被排除于大型新辅助免疫治疗试验之外，并提示领域专家与LLM协作可从复杂数据中提取此前未受重视的模式。
端到端天气预报系统直接从原始观测生成全球格点和站点预报，以极小成本替代包括资料同化在内的数值天气预报流程，但为确定性系统、不给出不确定性。本文将Aardvark Weather模型概率化：观测编码器加入学习到的输入相关噪声，刻画观测系统的偶然不确定性；处理器采用蒙特卡洛dropout，刻画学习动力学的认知不确定性。嵌套集合用全方差定律把预报离散度归因于这两类来源，并用剔除观测流交叉验证。概率性微调使平均预报改进4.2%；集合在中期范围对ERA5校准（spread-skill ratio 0.98），站点RMSE保持在确定性模型2.4%以内，各时效CRPS均更优，但落后于ECMWF业务集合。编码器分支表现为观测驱动的不确定性，组件归因使端到端预报更透明。
电池预测与健康管理（BPHM）关乎电动汽车、电网储能和消费电子产品的安全可靠与经济运行。传统物理模型和任务中心深度学习方法存在计算效率、跨域泛化、依赖大量标注失效数据及可解释性等瓶颈。该综述首次全面梳理大模型在BPHM中的应用，涵盖Transformer、自监督学习、大规模多模态数据集与PEFT等基础，并从缓解数据稀缺、增强泛化与鲁棒性、融合领域知识提升可解释性、系统级自动化四方面归纳进展，同时指出数据可获取性、智能验证、可信度与部署可行性挑战，提出协作数据生态、工业智能验证、物理信息可信设计及高效端侧部署路线图。
本研究评估超快力场（UF³）势，它以三次B样条基的线性回归表示有效二体和三体相互作用，精度与GAP、MTP、NNP（Behler Parrinello）、qSNAP等成熟模型相当。在不含固液界面构型或熔化热力学信息的条件下拟合六个元素体系，计算熔点对Ni、Cu、Li在约6%内复现实验值，却显著低估Mo和Si，且无法为Ge获得稳定势，反映固定三体截断对强角度/共价键合体系的局限。样条公式还能直接可视化所学相互作用，识别黑箱方法常掩盖的非物理行为。
蛋白质语言模型（pLM）内部表征尚不明确。作者提出一种自动可扩展的方法，用蛋白质Cα主链的几何特征解读ESM-2中稀疏自编码器（SAE）特征。在ESM-2 8M各层中，FDR控制的发现分析显示，局部几何与许多SAE特征显著相关，预测强度各异，覆盖范围超过数据库和序列方法；几何还能区分同一数据库注释内的SAE特征，揭示已知标签中的亚结构。相当一部分SAE特征在未注释的宏基因组序列上激活，可用于理解这些序列。接触预测消融显示，移除这些几何特征会使ESM-2预测接触图沿描述符方向偏移。该方法可在残基水平注释SAE神经元激活的蛋白质，联结机制可解释性与结构生物学。
Ai2 与 Providence Swedish Cancer Institute 宣布合作推进AI辅助科学发现，包括在浸润性小叶乳腺癌方面的临床相关研究发现，以及为保护临床数据安全而进行的本地部署。联合团队使用 AutoDiscovery 分析一个被广泛研究的乳腺癌数据集，发现浸润性小叶乳腺癌的免疫特征比以往认知更强，并在独立患者数据集和实验室分析中得到验证。结果表明，美国每年确诊的约15%的乳腺癌患者可能有机会从免疫治疗中获益。
在蛋白质表征工作流中，自然语言驱动的自主联合科学家面临灵活性与推理同确定性、可复现性和可观测性之间的权衡。我们在生产级科学智能体平台上进行受控消融：给定蛋白序列，让智能体路由常用工具进行功能表征，比较联邦拓扑、经典RL与LLM驱动框架、模型和提示词，并按蛋白质新颖性分层。结果显示LLM选择对预测质量影响最大（Opus约92%-94%，o4-mini约40%-50%）；PPO策略以零token成本接近最优（88%），延迟最低、完全一致，但无推理轨迹；专家提示的LLM准确率最高但成本高、一致性较低，任务最难时提示依赖最大。联邦化的性能损失可忽略。
蛋白质语言模型（PLM）嵌入在蛋白质适应度预测等下游任务上表现优异，但本身不易解释，尚不清楚其编码了哪些特征。研究者利用正交投影技术，从嵌入中去除已知表格特征对应的生化性质及其高阶与交互效应，并仅用嵌入训练下游分类器进行消融研究，发现预测适应度的性能出现下降；进一步评估显示，这些生化特征解释了该分类器预测中相当大一部分方差。结果表明，PLM嵌入编码了与生化性质相关的模式，并可量化这些性质对适应度预测的贡献。该计算高效的方法不限于文中使用的特征或嵌入，也可推广到蛋白质适应度预测之外的问题。
提出一个面向光伏应用、基于多种机器学习技术的气候分类框架。该研究在以往能量产出分析的基础上，首次同时纳入随气候变化的组件寿命退化。作者生成包含12个输入特征和两个目标变量（能量产出、组件寿命）的插值数据集；特征重要性分析显示，年水平面总辐照和环境温度是最有影响的预测因子。最精确的回归模型对能量产出和寿命预测的RMSE分别为0.007 MWh与1.5年。将特征重要性得分纳入层次聚类后，得到6个初级气候簇（热带、沙漠、大陆性、温带、北方、极地）和15个对应子簇；分析显示，低温大陆性气候的折现后全生命周期能量产出最高。这些结果可用于光伏组件优化、选址及对比性能研究。
我们推出BixBench3，一个衡量AI智能体在完整研究规模计算生物学任务中能力的基准。20项任务基于已发表研究，要求智能体根据研究目标、方法指导和原始数据执行分析，并将生成的138个数据产物与原始研究程序化比对。13个前沿模型得分从Gemini 3.1 Flash Lite的0.00到GPT 5.6 Sol的0.48；在原始数据>100 GB任务（0.10）和3步以上分析（0.24）上表现更差。任务平均耗时6.8小时、1.02亿token、43美元；最长尝试24小时、10.7亿token、525美元。最高分智能体反而用更少token、成本更低。
计算机模拟基准（20个开放权重模型、4252326条标注生成结果）显示，在0–40%目标CER的模拟解码器损坏下，LLM后编辑脑机接口文本会产生意图漂移：AUTH中检出率从2.2%升至60.3%（CER每升高10个百分点，OR 2.30），属压力测试上限而非预期临床率。模型置信度区分忠实输出尚可（AUROC 0.83，0.80–0.85），但校准不佳（ECE 0.32，0.27–0.37）；置信度≥90时28.4%不忠实。六种界面策略均未消除漂移，最优者每100条仍漂移18.0条。作者称这不证明临床伤害，需前瞻性人在回路评估。
针对高压输电故障数据不均衡和部分故障特征落入正常运行区间、导致单模型在安全关键情形失效，本文提出两阶段混合流水线：阶段1用Isolation Forest异常检测，并对异常检测器无法分辨的故障类自动加入监督二分类分支，经OR融合规则；无此类时省略。阶段2仅对标记样本用Random Forest分类。将6个原始通道映射为18个特征，含基于Fortescue定理的零序对称分量，L个测点共18L个。TLFaultDataset上线路故障端到端准确率从31.3%升至95.8%；独立单测点数据集全类准确率97.25%，超过TLFed基准94.84%，无需GPU或联邦基础设施，CPU耗时0.05 ms/样本。零序特征解决三相与三相接地混淆，使该类对F1从0.39升至0.997；零序方向随系统而定，宜学习决策边界而非固定继电器阈值。
该研究首次对LLM生成的自传进行场景级审计，将一位366天的“每日一页”自传草稿与独立的验证语料比对。草稿由对话式LLM基于模板、两个示例日和每日引文生成，而非基于完整语料库。审计采用预先设定的四级标尺，结果显示96.7%的天数未达到“已证实”级别，仅12天包含可证实的场景，5.2%的天数与记录相矛盾。主要失败模式是“基础漂移”，即真实人物、雇主出现在虚构场景中。独立复评证实了高失败率，但四类分类的信度仅为一般。用当前模型重新生成同样复制了100%的失败率，而基于语料库的“基础性生成”可将失败率降至83.3%。该研究提供了测量方法、可复用的审计工具及有效的改进方案。
一项研究通过多语言数学问题（MGSM）数据集，在多个模型的六个语言（英、德、法、西、俄、中）中探究跨语言推理是否依赖共享特征。研究者使用CKA识别对齐层，并训练两种稀疏自编码器：基线模型和新提出的几何不变SAE（GI-SAE），后者通过InfoNCE损失促使编码器对同一问题的不同语言产生相似激活。通过交换特征值并测量KL散度，发现GI-SAE虽提高了几何相似性，但功能可互换性并非一致增强，跨语言共享特征因模型和架构而异，且出现在不同深度。
这项工作提出一个多智能体框架，让大型语言模型（LLM）智能体结合高保真科学仿真模型，在制药工艺设计中开展受控实验。系统根据用户问题和基线配置构建结构化任务表征，设计实验，执行对比仿真，解释结果，并综合形成工艺参数优化的循证建议。相比纯语言推理，该框架通过干预、比较和观察支持推理，产出更具体、可操作的输出；在工业应用场景中，用户评价显示其正确性和有用性更高。消融研究和可视化案例分析进一步证明了仿真集成实验推理的有效性和实用性。
信使RNA（mRNA）疗法已成为疫苗、蛋白替代和癌症免疫治疗的重要平台，但体外转录（IVT）反应中RNA产量受启动子邻近DNA序列影响的机制仍不清楚。研究设计了10^5条随机寡核苷酸文库，利用Illumina测序并行定量DNA与RNA丰度，以卷积神经网络（CNN）架构建模序列与产量关系，在保留测试集上预测与实验产量的Pearson相关系数达0.94。该模型可部署于生产环境，对候选RNA序列的IVT产量进行评分和排序，实现低成本的实验前筛选，降低筛查成本并加速RNA工程周期，广泛适用于疫苗抗原设计、治疗性蛋白递送和合成生物学。
Kohn-Sham密度泛函理论（DFT）因反复轨道对角化而呈立方标度，限制了量子计算规模。无轨道DFT旨在去掉这些辅助轨道并保持Kohn-Sham精度，但以往解析与机器学习方法均不成功。本文以Kohn-Sham映射为学习目标——将Kohn-Sham势直接映射为密度与非相互作用动能；使用域不变的SE(3)等变傅里叶神经算子在实空间网格上预测密度，实现稳定的准线性标度自洽场（SCF）。在8,504个分子和固体上联合训练的单一模型可泛化到分布外有机分子、绝缘体和金属，首次无需显式构造Kohn-Sham轨道即可在这些体系上收敛SCF，并以Kohn-Sham DFT精度重现密度、电子谱和结构观测量。线性标度SCF还可在单个GPU上收敛含多达82,500个价电子的镁位错密度。
分子嵌入模型是计算化学与药物发现的基础设施，可复用向量表示支持性质预测、虚拟筛选和检索。多数分子编码器围绕单一分子视图，产生无条件向量，缺乏语言接口。MolEmb 是一个轻量框架，通过双向对比目标将分子概况与文本描述在共享嵌入空间中对齐，使多模态大语言模型（MLLMs）能依据分子概况和自然语言语义上下文生成条件化嵌入；所得模型在性质预测上具有竞争力，并支持跨模态分子—文本检索。作者另提出诊断基准 MolCAR，发现上下文感知分子嵌入主要是监督的数据属性。结果表明 MLLMs 是通往通用分子嵌入模型的可行且可扩展路线。
对超2亿天体训练的39模态Transformer AION-1的审计显示，其继承巡天目录的不完整性作为系统性偏差。因果干预证明，保持图像token不变仅编辑分割图，会使所有输出改变110-4400倍安慰剂。机制是检测门控，而非光分布。当目录光度被反驳时，性能比无元数据差9倍。以3.68%的未覆盖目标率传播，导致层析红移中位数偏移0.71倍LSST DESC要求，最差箱达8.3倍。光谱法或去除检测通道可消除影响；tokenizer还存在量化限制。
神经网络势（NNP）可在原子分辨率下研究生物过程，但其训练需要大量且多样的分子、构象与构型数据。该研究采用带静电嵌入的 QM/MM 形式，将溶质所在 QM 区与周围溶剂分子点电荷构成的 MM 区静电耦合。通过加速采样，研究者建立 BMS25 数据集，涵盖逾 50,000 种拓扑和超过 150 万个肽、微型蛋白、小分子及化学反应过渡态的独特构象，并提供 ωB97M-D4/ma-def2-TZVPP 理论水平下的能量、梯度与多极矩等数据。
RNA序列、表达、剪接、异构体、结构与修饰知识对理解细胞过程至关重要。单细胞与空间转录组技术（如人类细胞图谱等联盟的应用）每年产生PB级数据，但研究者无法跨数据集搜索序列；标准流程不具扩展性或依赖参考序列，仅保留基因/异构体计数。Malva平台可超快速、物种无关且无需参考序列地查询原始序列空间，支持搜索任意序列、突变、剪接连接、病原体或转录本空间位置。Malva Index目前包含约7400万个细胞，覆盖数千项健康与疾病实验；还能从序列组成识别细胞类型、预测细胞相似性，并连接神经网络执行复杂搜索与自动化分析。
标准遗传密码以64个密码子编码20种经典氨基酸。研究者提出自动化遗传tRNA扩展平台AGENTEX，用于在无细胞翻译系统中以多重、机器人化方式构建遗传密码原型。研究发现，tRNA的3′末端对突变具有显著灵活性：大多数非CCA-3′ tRNA可被所有大肠杆菌氨酰tRNA合成酶氨酰化。基于此，团队构建了由34种氨酰tRNA合成酶对应34个密码子的压缩遗传密码，并评估两种遗传密码，可引入非标准氨基酸并重新分配最多3个密码子。
CuspAI联合创始人Max Welling认为，下一个AI重大突破可能源于物理学原理。他指出，传统AI研究侧重于计算能力、数据和模型规模，而物理定律如对称性和守恒律可为AI架构提供启发。CuspAI利用生成式AI设计关键领域的新材料，物理信息AI有望加速科学发现与创新。Welling还将神经网络内部动态比作能量景观和相变，强调AI与物理的协同关系。
验证是目标相对的：证据只能在产生它的干预所解决的方向上认证部署。本文将验证与部署规则表示为可靠性曲面上的核，其跨度几何区分复制（降低抽样噪声）与新干预方向（降低结构盲区）。对iid best-of-N搜索，在标量排序、随机化平局、最大选择、有界二元真值和稳定排序-真值关系下，已知n≤m的best-of-n可靠性后，精确模糊宽度为B_{m,N}=1+2∑_{r=1}^{m}(-1)^r cos^{2N}(rπ/[2(m+1)])。m与√N成正比时模糊约0.83，宽度ε需m~√(N log(1/ε))。由此得到两阶段审计规则：先建立结构覆盖，再加独立任务提升精度；在数学推理和代码选择的回顾性研究中，在82个发现任务上固定的分数尾部审计规则显著降低留出误差。几何仅适用于已知或独立估计的核；经验分析仅为说明性，而非前瞻性干预。
未来射电望远镜将产生用传统统计方法难以分析的数据量，促使采用机器学习技术。本文提出YOLO-Chars，一个两阶段深度学习框架，用于自动检测和表征射电星系。第一阶段使用定制的YOLO多尺度检测模型定位致密和延展源；第二阶段通过专用网络估计源的物理属性，包括流量密度、角尺寸和位置角。在SKA SDC1数据集上评估，YOLO-Chars达到有竞争力的性能，展现了作为下一代射电巡天可扩展框架的潜力。
提出运行时动作干预（RAI）：保持策略参数不变，在推理后调节动作节奏并过滤已配置的动作模式；仅当冷却条件满足且内容检测器未标记动作时才释放，否则发送 no-op。检测器覆盖包括工人单位骚扰在内的毒性行为。作者在 AlphaStar actor.py 的复现中实现 RAI，并开源材料。在 StarCraft II 人类参与者研究中，同一高能力、动作速率受限的对手在隐瞒能力声明时，1-5分量表上的合并公平感、信任感、毒性感均值分别为3.90、3.50、2.00；披露时为2.62、4.31、2.85。披露在各专业组均对应更低的公平感和更高的毒性感；信任在新手与专家中上升，在中等水平参与者中下降。即使配置控制不变，用户感知也会随能力披露明显不同；因此人机评估须将执行栈内的控制与能力披露分开，将公平、信任、毒性作为独立维度。
物理神经网络（PNN）硬件对下一代人工智能系统很重要；利用热电流编码和处理信息的声子器件是神经形态计算的一种解决方案。作者将人工神经网络（ANN）反向映射为基于聚合物网络化纳米颗粒（PNNPs）的PNN仿真模型。原子模拟结果表明，聚合物连接的纳米颗粒网络有潜力借助热流实现信息处理。他们用高通量分子动力学（MD）模拟和trust region Bayesian optimization（TuRBO）方法，调节聚合物连接体的可塑性与纳米颗粒温度，类似于调整ANN的权重和偏置。经过5轮高通量MD模拟，PNNP机器性能得到改善；每轮还用测试数据集验证了前5台PNNP机器的热流输出。
LitReview Arena 提出一种对战式评估平台，让具备AI论文写作经验的领域专家依据五个文献综述专属标准，对匿名草稿进行分维度比较。研究者收集约3000条专家判断，发现即使当前最强系统在总体实用性上对人力草稿的决胜对局胜率也只有23.0%，而 Sonar Deep Research 等智能体化 LLM 比基础语言模型提升超过60%。现有 LLM-as-a-judge 方法与人类专家明显不一致（Spearman's rho=0.467），在论文结构和研究建议等偏重综合的维度上尤其严重。基于这些偏好数据训练的 LitJudge 将一致性提升至0.78，接近专家间一致性；代码与数据已公开。
研究提出 PepLLM，一种用于结构化蛋白质-肽界面理解的指令微调框架。给定蛋白质-肽序列，PepLLM 生成机器可读的 JSON 注释，描述肽埋藏状态、氢键密度、盐桥、热点残基、疏水性和静电互补性等界面属性。团队结合结构界面分析、溶剂可及表面积、疏水埋藏与静电势计算及冗余感知数据划分，构建了新的界面数据集。PepLLM 通过非线性适配器连接预训练 ESM 编码器与 LLaMA 解码器，将 ESM 残基嵌入作为软令牌注入提示，生成结构化注释。该工作从单标签预测转向多属性、机制感知生成，为可解释界面分析建立新任务与建模范式。
MolJam是一个开源框架，从结构完整性、数据质量、实验信息质量、化学空间覆盖和数据分布五个维度，使用12个标准化指标量化评估分子数据集质量。应用于11个MoleculeNet和8个ChEMBL数据集时，发现广泛的质量问题，包括高达70.72%的分子立体化学未定义、分子表示不一致和标签矛盾。对ESOL和Lipophilicity数据集的优化提高了MolJam质量分数，但对预测性能影响不一，这表明数据集大小减少的竞争影响。控制消融实验表明，数据集质量和数据量都影响模型性能，且当数据量增加足以补偿质量损失时，保留立体化学信息不完整的分子可能优于去除它们。因此，分子数据集整理不能仅追求最大化数据清洁度，而需平衡多个质量维度与信息损失。MolJam为诊断数据集局限、比较基准质量和评估数据整理决策对下游机器学习的影响提供了标准化框架。
PhageLysData是一个基于证据且面向AI的数据资源，通过可重复的多源整合、来源追踪和精确序列合并构建。它从7个主要资源整合了807,366条数据，得到759,105个唯一精确序列实体，包括11,867个有证据支持的Core实体、745,092个仅预测的候选实体和2,146个保留用于来源的Context实体。Core实体附带协调的生物学注释、理化性质、独立的InterProScan功能注释、PDB和AlphaFold DB结构资源以及可复用的数值表示。对于11,259个符合条件的Core序列，提供了来自11种蛋白质语言模型的嵌入和独热编码。该数据集旨在促进蛋白质检索、比较分析、任务特定数据集构建和机器学习应用。
蛋白质语言模型（PLM）从大规模序列数据中学习进化信息，但三维关系仅被隐式编码。研究者提出Prot-LAMBDA，通过耦合残基嵌入与残基间接触显式引入空间关系。该模型在接触图、二级结构、主链几何、溶剂可及性和蛋白质折叠预测等任务上性能提升，长程接触召回率提高一倍，ψ角预测误差较ESM2-3B降低11.7%。尽管参数量约为其五分之一，Prot-LAMBDA在3D结构预测上TM-score提升5-7%。基于此开发的LambdaFold在训练中未见蛋白质上达到与ESMFold相当的性能，模板增强进一步提高了TM-score。
研究人员提出首个由临床急性MRI直接参数化Fisher-KPP反应-扩散偏微分方程的影像驱动框架；连续状态变量u(x,t)∈[0,1]刻画组织损伤，同时捕捉离子应激经细胞外空间的向前传播，以及限定于基线灌注缺损（Tmax>6 s）内的局部代谢性细胞死亡。在ISLES 2017子集（N=29）上的oracle框架评估显示，加入生物物理传播约束所得平均Dice为0.46±0.24，优于标准rCBF阈值法的0.25±0.21。广泛消融实验表明，由临床灌注图导出的空间异质扩散场能刻画半暗带扩展，并保持完整生理可解释性。该概念验证表明，第一性原理物理可直接在临床扫描网格上捕捉缺血进展，推动从纯数据驱动模型转向患者特异性生物物理预测。
分子Hessian在描述分子振动、轨迹和优化路径中起关键作用，但对中等大小系统用标准量子力学方法计算代价高昂。该论文提出一种机器学习模型，可预测由数千个原子组成的生物体系的Hessian矩阵。该方法基于内坐标学习，固有地具有旋转和平移不变性，且随系统规模扩展良好。训练数据为简单氨基酸，它们是更大蛋白质的构件。由预测的Hessian可计算谐振近似下的热化学性质，包括焓、熵、吉布斯自由能和零点振动能。
该研究建立拉曼光谱与机器学习相结合、以物理信息人工智能（PI-AI）为框架的食用油鉴别方法。对五种食用油纯样及炸薯片基质样本进行t-SNE、K-means、决策树与NNLS光谱分解。纯油类别组织与可分性更强，基质引起明显谱图重叠。决策树仅用原始1866维光谱中的4个拉曼变量，即对纯油达到100%分类准确率，约0.21%信息；含基质样本经优化剪枝后准确率为86.4%和85.4%（分别扣除纸张、纸张+马铃薯），重要变量减至5个和4个，四特征表示压缩99.44%数据足迹且不损准确率。
许多现代机器学习模型可视为基于核的函数空间模型，包括高斯过程和神经正切核。在科学机器学习中，微分算子被用于将物理结构直接编码进此类模型，但其保持正半定性的条件此前尚不清楚。本文建立了一个简单且充分的条件：对m阶线性微分算子，基核须m次连续可微；该保证对非恒定甚至不连续系数的算子也成立，涵盖扩散、材料弹性、非均匀介质中的波传播和量子系统。作者由此认为剩余不稳定性源于数值问题，为算子知情核方法提供了统一的合法性基础。
BioFirewall 是一种规则治理中间件，在基因组书写设计阶段拦截编辑计划，沿载荷、基因座、编辑类型、生殖系和规模五个危害轴返回允许/标记审查/拒绝，并附引用证据、签名护照、防篡改审计日志和分级访问。在由独立 oracle 评分的去循环化安全替身基准上，功能感知载荷分类器在 1% 假阳性率下真阳性率为 0.72（95% CI 0.43–0.89）；前沿和开放权重语言模型裁判不能可靠筛查。提示注入使开放权重裁判在每通道 6 次试验中分别有 3 次和 5 次翻转为允许，确定性筛查不变。288 个来自三个模板的合法计划无一被拒，误拒率 95% 上限为 0.0103；会话监视器拦截跨调用分解攻击。在留出基因集上，基因座轴富集体内插入性肿瘤发生驱动因素（AUROC 0.605；比值比 3.34）。设计阶段治理可行；BioFirewall 已开源。
一项对时空预测基准数据集的批判性审计指出，图神经网络（GNN）虽广泛用于带空间图结构的多变量时间序列短期预测，但模型评估过度依赖 Chickenpox、PedalMe、WikiMaths、METR-LA 和 PEMS-BAY 等有限数据集；其中从历史平均到经典机器学习等基线常表现出与 GNN 相当的竞争力。作者用经典时间序列方法分析这些基准，发现不考虑空间信息的线性模型比以往报道的更强，并揭示一阶差分数据集带来的结构性偏差，质疑这些数据集的判别可靠性。研究建议减少对此类数据集的依赖，采用更严格的统计评估；将分析用于简单混合模型可启发新的 GNN 构建方式。
TracingFlow是一种基于流匹配的无模拟轨迹推断框架，它通过神经网络回归加速度场，将动力学推广到二阶情形，从而精确高效地解决动态最优加速度传输问题。与一阶方法相比，它能捕捉高曲率转变和非线性演化，在分布重建和轨迹保真度上表现更优，并可通过整合谱系追踪先验，恢复数学优化且生物学合理的动态结构。
本讲义是数值线性代数高级硕士课程的第一部分，旨在展示该学科比上一代更为核心的原因。数值线性代数伴随偏微分方程的数值求解发展，但如今网络节点排序、天气预报中的数据同化以及大型噪声数据的模型拟合，都产生无法直接分解、结构特殊且只能通过矩阵-向量积访问的问题。讲义涵盖范数、分解、条件数和浮点运算；来自有限差分、图和机器学习的稀疏矩阵；平稳迭代与光滑性；共轭梯度与Lanczos方法，包括谱聚类和早停正则化；Arnoldi与GMRES，用于PageRank和大型最小二乘；最后是预条件、Schwarz区域分解和多重网格。假设读者已修过线性代数基础课程，每节附有要点总结，每章配有练习（含历年考题），并附Python代码复现数值示例。
该研究提出一种基于GPT2的表格到文本框架，用于低容量、类别不平衡的临床数据疾病预测。结构化记录被转化为医生风格文本，并利用GPT4生成医学释义来增强少数类表示。在四个公开医疗数据集上微调GPT2模型，平均精确率、特异性、敏感性和F1分数分别为0.96、0.97、0.96和0.96，表现优于传统机器学习、深度学习、Transformer及GAN增强方法。同时结合梯度可解释AI分析识别重要特征，即使在严重类别不平衡下也能强调临床有意义的变量。结论认为该框架为有限数据下的疾病预测提供了实用、可解释的方法。
脱靶裂解是CRISPR-Cas9基因组编辑的主要安全隐患。研究者用五个机器学习分类器对公开的GUIDE-seq脱靶数据集（Kleinstiver等，2016，Nature）进行基准测试，该数据集含5个sgRNA的95829个候选脱靶位点，其中仅54个（0.06%）经实验验证为真实切割位点。在保留的测试集（n=19166，11个真阳性）上，基于组合错配与序列特征的梯度提升表现最佳（ROC-AUC=0.997；PR-AUC=0.355；最佳F1=0.50），优于随机森林和序列CNN。鉴于阳性类极少，以精确率-召回率AUC为主要指标。分析显示验证的脱靶位点平均错配数较少（3.6对5.9），且在PAM近端种子区和PAM处错配耐受性更低，与Cas9识别模型一致。该研究展现了严重不平衡小阳性类场景下可实现的分辨能力。
TrialCode Agent 是一种结合大语言模型与术语验证的混合智能体，用于将临床试验自由文本标准转换为可计算的代码集，覆盖 ICD-9-CM、ICD-10-CM、ICD-10-PCS、LOINC 和 RxNorm。在来自 11 个试验组的 40 条标准上，最佳流水线因模型而异：Claude 配合 Baseline 性能最高（精确率 0.755，召回率 0.619，F1 0.680），其后为 GPT-5.5 Baseline、Qwen 混合生物医学 RAG、MedGemma Family expansion。验证器消融显示，微平均 F1 从验证前 0.254 升至最终验证与扩展后 0.505，并移除了 2,594 和 952 个假阳性代码。结论是确定性术语验证能提高代码有效性与查询就绪度，但检索与广泛家族扩展并非总能改善精确代码性能。
新研究指出，现有世界模型（如Sora或Genie）仅模拟物理规律，忽略人的想法、需求和感受。新提出的"Mental World Modeling"框架引入信念、意图等心理变量。即使较弱的语言模型采用该框架，其表现也优于未进行心理建模的更强模型。当前最大的瓶颈在于如何预测物理状态与心理状态的联合变化。
据Latent Space报道，自2022年以来，人工智能流水线的各个组件正逐步从人工制造转向模型制造，每个转变都始于前沿实验室的“零号病人”。这种转变可概括为“模拟”，其特点是性能略差（10%），但成本极低（100倍）且速度极快（10000倍）。第一阶段（2022年）：奖励信号合成化，InstructGPT建立奖励模型范式，随后宪法AI和RLAIF让AI自我评判。第二阶段（2023年）：训练数据合成化，微软Phi系列证明“教科书即一切”，苹果WRAP通过LLM重写整个网络使预训练效率提升约3倍，NVIDIA的Nemotron-4 340B发布了许可的合成数据生成流水线。
英国AI安全研究所的研究人员运用心理测量学方法，发现针对语言模型的流行安全基准并未衡量出一致的特质。对请求进行一刀切的阻止可能会人为抬高安全分数，即使模型在日常使用中越来越不实用。该研究还提供了一种方法，用于捕捉在测试中表现比正常使用更为谨慎的模型。
计算预测酶功能对基因组注释和酶设计至关重要，但现有模型是否真正学习催化活性结构决定因素尚不明确。为此，研究者构建了EnzymARC基准数据集，通过结构引导的系统性破坏酶活性位点（针对催化残基及周围5、10、15埃半径）生成推定无功能诱饵序列。评估DIAMOND、CLEAN和DeepEC三种预测模型发现，当前模型易受系统发育捷径影响：DIAMOND和CLEAN对低扰动诱饵的假阳性率超90%，即使催化机制被破坏仍自信分配原始EC号；DeepEC在高扰动下灵敏度提升，但所有模型均难识别定点活性位点破坏。研究表明现有EC预测器无法区分无催化能力变体与功能酶，将结构感知负样本纳入训练和基准测试对开发稳健模型至关重要。
MathForm 是一个开源框架、数据集与模型，用于数学自动形式化，并基于 Lean 4。形式化数学使数学知识可被机器检验，但不仅仅是把陈述翻译成代码；模型还需将每个概念映射到……（原文截断）。
第35届国际人工智能联合会议和第29届欧洲人工智能会议（IJCAI-ECAI 2026）评选出三篇杰出论文。其中一篇题为《近似策略鲁棒性在基于批准的预算分配中》的论文，由Haris Aziz等人撰写，证明了Nash乘积规则（NASH）的激励比率为2，从而在放宽策略鲁棒性的条件下绕过了Brandl等人的不可能性定理。另一篇论文《元组不一致度量：走向查询答案的解释》由Yurun Gu等人提出，引入新的元组不一致度量来量化元组对不一致数据库中违反约束的贡献，并应用于查询答案的解释。
PEtab SciML是一个用于指定动态科学机器学习（SciML）参数估计问题的可互操作数据格式：在动态建模中，将机理型常微分方程（ODE）与机器学习组件相结合，并从时间序列数据中联合估计机理与ML模型参数。该格式支持多种ML-ODE混合模式，配有参考Python库，以及Python/JAX（AMICI）和Julia（PEtab.jl）的下游建模支持与真实数据基准。代码托管于GitHub，参考Python包可从PyPI安装，并在Linux、macOS和Windows上持续测试。
生物信息学软件和数据库是生命科学研究的重要工具，但其文献提及常不一致，难以大规模识别。研究者提出混合命名实体识别框架 SNAIL，用于自动识别生物医学文本中的软件/数据库名称。SNAIL 结合词汇与语义建模：词汇模块捕捉拼写和上下文线索，语义模块利用 SciBERT 等 transformer 模型的上下文嵌入，并加入显式 token 掩码策略增强实体表征。训练语料通过引文提示提取与大语言模型辅助蒸馏自动构建。在两个独立基准数据集和真实论文上的评估显示，SNAIL 明显优于 bioNerDS2 及 ChatGPT、Gemini、Grok、Claude 等现有方法。大规模文献分析还揭示了不同生物信息学子领域在期刊层面的偏好。
神经网络鲁棒性验证日益重要。本研究系统考察了基于模板的证明共享加速在不同网络架构、属性、数据集和训练方法下的有效性，发现模板包含率在不同场景下差异很大。作者提出“联合稳定神经元”指标解释这种差异，表明某些情况下基于模板的技术几乎不可能带来加速。他们还提出了FastCert技术，可自动跨神经层分配模板，并在模板不太可能产生加速时完全弃用。在基于覆盖设计的大量L0验证任务中，FastCert较现有基于模板的复用技术取得了平均1.13倍的加速。
该研究评估了Transformer模型在微调后对丙型肝炎病毒（HCV）基因型和亚型进行预测的性能。研究使用了来自洛斯阿拉莫斯HCV序列数据库的2,881条全长基因组序列，涵盖基因型1至6及其确认的亚型，基因型7和8因样本不足被排除。结果表明，采用均质碎片化和平衡样本分布的微调策略，基因型分类的精确度介于98.48%至100%；而使用导致数据不平衡的碎片化策略时，精确度仅为48.12%，且基因型5错误率较高。在亚型分类中，最佳微调方法达到99.89%的准确率和99.87%的精确度。研究认为，当微调数据集具有适当的碎片化、分布和标注时，Transformer模型可高性能地用于HCV基因分型。
BirdCODE是地球物种项目（Earth Species Project）开发的一种监督式深度学习模型，用于鸟类声学零样本声音事件检测。该模型利用弱标注录音、合成声景和伪标注数据等多阶段训练策略，可对超过9000种鸟类进行时间精确的检测和分类。将其应用于超过一百万条录音，展示了规模化时间注释如何促进跨物种、季节、地理和混合物种互动的叫声行为分析。模型权重和检测结果已在GitHub上公开，以支持动物语言处理研究。该论文为预印本，目前正在审稿中。
Humyn Labs推出了一个面向物理AI的“以自我为中心”的视频库，其中包含5个第一人称数据集，按环境和采集类型分类。该库提供6自由度头部姿态、21点手部关键点、绝对度量深度及每帧动作标签。数据以MCAP、RLDS和LeRobot v3格式交付。
微软研究院发布的Skala 1.1展示了其深度学习交换关联泛函的持续改进，训练数据比前代多2.5倍，在热化学、反应动力学和分子结构预测等关键模拟任务中精度显著提升。目前Skala已在CP2K中可用，并正在集成到Psi4、FHI-aims、ORCA和VASP中，使下一代DFT精度更贴近日常使用这些代码的研究人员。此外，微软研究院还推出了一个实时基准测试，用于追踪后续优化版本的性能，帮助社区衡量并加速向更高精度和效率的进展。
该研究关注多尺度PDE系统的粗粒化动力学数据驱动预测。采用无闭包的算子学习视角，应用线性粗粒化映射，直接从滤波高保真轨迹学习分辨场的替代演化算子。受Mori-Zwanzig形式启发，提出时空神经算子，将分辨历史板映射到未来板。空间混合使用傅里叶卷积，时间混合使用因果核算子。通量形式的归纳偏置提高滚动稳定性。在粘性Burgers方程、Kuramoto-Sivashinsky方程和二维湍流中验证，获得稳定自回归滚动和改进的长时精度。
Monroe是一个新的分子基础模型，在超过8100万个分子的PM6量子化学数据集上预训练，改进了立体化学的图表示、训练损失（包括构象去噪和嵌入去相关）以及多任务学习，并使用TabPFN进行下游上下文预测。在Polaris基准上，Monroe匹配或超过现有模型，在活性悬崖基准上显著优于先前方法。消融和迁移实验表明，基于PFN的下游预测器也能提升MiniMol和CheMeleon，分别产生状态-of-the-art变体MiniMol_PFN和CheMeleon_PFN，表明其适应策略具有通用性。
大型语言模型在无法于推理时检索文档的情况下，常难以回答关于固定文档集的问题。为此，研究者提出IAR（注入、对齐、恢复）三阶段后训练框架，用于将语料库转化为可用的参数化知识，以实现无检索问答。IAR将文档知识内化与一般能力恢复分离：注入阶段采用续写、改写及指令条件重建目标；对齐阶段使用仅答案的QA监督；恢复阶段将领域适应模型与基础指令模型合并，以恢复通用能力。在多个模型族（Llama、Phi、Qwen、SmolLM）及数据集上，IAR在领域-通用前沿上优于基线，在7/8设置中平均领域QA准确率提升3.6个百分点，通用性能（IFEval、MMLU、MSBench）平均提升12.1个百分点。
公共基准是衡量自动语音识别（ASR）模型能力的重要手段，但模型可能针对基准进行优化，导致在真实数据上泛化不佳。本文提出一种量化基准优化的方法，聚焦于音频不足以确定参考转录文本的情况。研究者设计了三种行为探针：参考分歧、掩码数字恢复和正字法切换，以探测模型在音频不明确时复现基准参考片段的能力。结果发现，得分最高的开源模型即使在音频矛盾、掩码或模糊时也会输出逐字参考转录。通过多种机制探针，表明模型依赖狭窄的声学线索，覆盖音频的真实表征，转而采用基准优化策略。这些行为可通过低秩线性引导或音频拼接进行因果操控。总体而言，高性能模型表现出基准条件性行为，可能虚增基准分数，而不反映通用转录能力的提升。
自监督学习推动音频表示学习进步，但现有方法常依赖复杂预训练流程。作者提出NAPE框架，采用因果Transformer预测对数梅尔频谱图的下一个补丁嵌入，仅用因果掩码和停止梯度作为训练信号，无需重建解码器、声学分词器等。在六个音频和语音基准上，NAPE在几项任务上达到最先进的微调性能，跨编码器规模一致扩展，并展现出强线性探针结果，且无需显式监督即可产生结构化注意力模式。
现有代码生成系统多假设预定义仓库架构，不适用于零到全代码生成。为此，我们提出Repo0，一种连续结构演化框架，通过双有向无环图维护显式架构状态，包括需求级、组件级DAG及其对齐关系。从自然语言需求出发，依据模块化指标逐步演进组件边界，直至结构收敛，再以收敛架构引导测试驱动开发。在RepoCraft的六个真实仓库上，使用GPT-5 mini和DeepSeek V3.2评估，Repo0在功能覆盖率和通过率上均最优，相比最强基线RPG，分别提升最多20.08和29.74个百分点。消融与结构演化分析证实了Dual-DAG架构状态、模块化引导演化及显式结构收敛的重要性。
DynGeo-Pheno是一个统一的几何深度学习框架，整合蛋白质语言模型表示和各向异性网络模型动力学，捕捉进化、结构和生物物理信息。该框架能高精度预测疾病相关磷酸化位点和致病性错义突变。消融分析表明，蛋白质动力学为致病性预测提供了超越序列进化和结构拓扑的互补信息。该框架揭示了疾病相关扰动优先定位于功能性结构区域，如配体结合口袋和蛋白质-蛋白质相互作用界面。磷酸化位点和错义突变表现出不同但趋同的动力学特征：前者富集于柔性调控区域，后者富集于有序结构元件。两者均显示增强的长程耦合、扰动响应性和机械稳定性，表明致病残基优先占据机械约束和变构调节位点。该研究为内在蛋白质动力学作为致病性的重要补充决定因素提供了有力证据，并建立了可解释AI预测的统一框架。
本期AI先驱访谈节目对话可解释机器学习先驱Cynthia Rudin。她因开发可解释算法而获2022年松鼠AI奖，其算法已用于癫痫预测、犯罪检测和生物研究。Rudin分享了与Con Edison合作维护纽约电网的早期经历：黑箱方法失败后，简单模型的准确性反超黑箱。她指出，在高风险问题中，数据噪声大，黑箱并不一定更准确。她致力于用数学证明简单模型的有效性，并探讨了Rashomon集等概念。
研究人员提出“The Little Scientist”框架，让基于LLM的智能体以有序、迭代的方式走完科学方法各步骤，包括假设、实现、实证测试与反馈；当Scientist智能体陷入局部最优时，Kuhn智能体会注入范式转换式猜想与跨学科灵感。在蛋白质适应度预测中，该框架发现集成校准策略Delta V，在ProteinGym DMS Substitutions Zero-Shot榜单全部五项官方指标上排名第一，平均Spearman相关比第二名VenusREM高0.033（217个DMS测定）。在DNA基序发现中，该智能体从零写出算法DALE，在132个ENCODE转录因子上平均AUROC为0.842，优于STREME的0.803（Wilcoxon p < 10^-6），且运行快11倍。整个研究在无GPU的单台虚拟机上消耗704M tokens。
药物反应预测模型的性能常受限于数据集规模及癌症、化学空间覆盖不足。本研究大幅扩展IMPROVE基准，主要整合PharmacoDB等药物基因组学数据源，形成包含数百万条药物反应测量、更广泛多组学覆盖及超过5万种新增化合物的资源。使用共同测试集和多种评估策略比较新旧数据训练的模型：癌症盲表现与原始基准相当，而药物盲和disjoint划分下的表现一致提升，表明模型对训练中未见过化合物的泛化能力增强。该扩展数据集可作为社区资源，为开发旨在辅助新抗癌药物发现的预测模型提供更丰富基础。
研究者提出条件设计贝叶斯物理信息神经网络（CoDe-BPINN），将区域分解的PINN求解器与贝叶斯推断网络结合，用于从稀疏观测中推断非均质多孔介质中反应性运移的未知参数。通过最大化物理信息证据下界（ELBO），该框架可同时重建时空浓度场、进行参数概率估计和不确定性量化。在含碘造影剂的多层多孔柱污染物运移实验中，模型准确再现突破动态，并揭示有效吸附容量随流速和孔隙度增加呈非线性下降，与动力学限制和吸附剂质量减少一致。贝叶斯机制还发现吸附亲和力与吸附容量之间存在强负相关，量化了该逆问题内在的不可辨识性。
GEqTrain是一个配置驱动框架，通过分离数据集语义、模型组合和训练目标，使等变图神经网络能够跨不同3D科学任务重用。它将原始数据映射为类型化字段，通过Hydra配置声明式组装模型和训练流程。在单一软件栈中演示了三个不同任务：粗粒化到原子级生物分子反映射、分子固体NMR化学位移预测和等变生成建模。还引入了生成扩展GEqDiff，基于等变流匹配，可联合传输笛卡尔位置和最高l=3的非标量节点场，在合成基准上验证了高保真重建。该框架旨在提高等变建模的可复现性和可扩展性。
陶哲轩近日宣布，Palomar——一个由 Lean FRO 和 ICARM 孵化的 Lean 验证数学注册中心现已开放提交。该中心旨在作为 Lean 证明的预印本服务器，接受包含挑战文件、解决方案模块和 formalization.yaml 的 GitHub 仓库快照。提交后，系统将检查解决方案模块是否类型检查并通过挑战文件中的声明，以及非正式描述是否与正式声明匹配。陶哲轩担任科学顾问委员会成员。这一举措旨在应对 AI 生成的 Lean 证明日益增多但验证困难的问题。
联合视频-音频生成模型的后训练需要奖励信号，但现有方法分别评估音频、视觉和同步等维度，未能捕捉文本、视频与音频之间的整体语义和时间连贯性，易致奖励黑客行为。为此，研究者构建了大规模人类偏好数据集VAPref-10K，含9K提示和10.3K细粒度配对比较；提出基准VA-Judger-Bench，包含域内与域外比较以检验奖励模型是否真正对齐人类偏好；并推出链式思维全能奖励模型VA-Judger，通过分阶段学习与逐维度强化学习提供更密集的奖励信号。实验表明VA-Judger在预测人类偏好上优于基线，用于后训练可显著提升生成质量。
训练终端智能体需要可扩展的可执行监督，但合成高质量终端任务颇具挑战。每个任务需将指令、初始化环境、参考解和可执行验证器耦合，若这些工件来自不一致假设，任务可能无法解决或评估错误。多阶段合成还可能丢失源中的目标、依赖、状态转换和程序约束。为此，我们提出FACET（细粒度智能体式可执行任务构建）框架，旨在保持信息完整并确保跨工件一致性。FACET将相关智能体技能重构为信息丰富的情境，先实现并修复执行环境，再生成最终任务工件。容器状态作为指令、解和验证器的共享基础，执行验证和定向修复仅纠正特定错误，避免不必要重生成。FACET生成复杂任务，含密集可执行检查，轨迹提供高效监督。多规模微调持续提升Terminal-Bench 2.1性能，验证环境基础构建的重要性。
针对不同生物学背景下扰动效应预测的挑战，研究人员提出了一种名为“特征重映射”（signature recontextualization）的基准框架，明确定义了预测任务、目标数据可用性以及基于特征恢复的评估指标。该框架在三种目标背景下评估性能：仅对照组、低覆盖和高覆盖。他们对投影法（projectCor）、网络传播法（netProp）与深度学习基础模型（scGPT、STACK）及统计基线进行了比较，覆盖四种扰动数据集，包括细胞系中的CRISPR敲除和药物扰动，以及大鼠组织的体内化学扰动。结果显示，投影和网络方法在不同扰动类型和背景下表现灵活，有时甚至优于深度学习模型，表明模型复杂度并不必然提升跨背景泛化能力。预测能力与通路保守性、转录响应强度和基线相似性相关。所有数据和方法已作为开源R包sigRecon发布。
心血管-肾脏-代谢（CKM）综合征是一种日益普遍的多系统疾病，常导致护理碎片化和高医疗费用。研究人员利用10,090例模拟患者的合成队列，验证了可解释且由临床医生监督的CHAPERONE-CKM框架。该框架可生成CKM分期、实施优先级、临床可读的理由、多学科转诊路径和指南导向的治疗提示。结果显示框架在不同亚组中表现稳定，校准良好，并能在工作流模拟中比反应性工作流更早识别需多学科审查的患者。但作者强调这仅是早期转化里程碑，而非临床验证，需进一步的外部验证和前瞻性研究。
一项获EMNLP接受、针对Olmo 3的新研究发现，在测试的药物中，51–59%几乎没有体现出药物特异性知识，另有约12–18%似乎依赖药名词缀（如-pril、-olol、-azoline）作答。研究由得克萨斯大学奥斯汀分校的Kaijie Mo领导，与东北大学和MD Anderson癌症中心合作；团队利用Olmo 3的开放权重、训练语料和中间检查点，将药名词干、词缀或两者替换为无意义字符串，以区分模型依据，并把这一捷径追溯至训练数据。
BOCoDe 是一个面向工程设计的贝叶斯优化基准，开源且基于 PyTorch，包含 307 个黑盒优化问题，其中 159 个为工程设计任务，并配有常用合成函数与超参数优化（HPO）基准。所有任务均有引文出处和机器可读元数据，可被程序化发现（包括 LLM 智能体），并通过统一 API 使用。研究评估了 5 类问题上的 31 种 BO 与进化算法；结构分析显示，工程设计任务独特地覆盖了合成与 HPO 基准很少涉及的约束和多目标设置，且算法排名在不同领域差异大，标准基准结果在若干问题类中不能迁移到工程任务。
本文提出一种机器学习-符号回归（ML-SR）策略，以开发可物理诠释的公式，用于预测假设金属有机框架（hMOFs）中的低压CO2吸附容量。在包含1000个样本的小数据集上训练了四种ML模型，并通过SHAP和特征重要性分析确定了五个关键描述符——最大腔径、孔隙限制直径、空隙率、重量比表面积和氢原子数。随后采用符号回归推导出简明的吸附公式Q=aA，其中a代表吸附基线（mmol/g），A为包含四个结构描述符的无量纲吸附数。作者将A解释为吸附结合力与扩散驱动力之比，揭示了孔拓扑和表面化学如何共同影响吸附。在包含137,652个hMOFs的综合数据集上的验证表明，该公式对62,448个结构的预测准确率超过70%，证实了其在定义的结构和操作范围内的适用性。与传统的黑箱ML模型不同，该物理引导的表达式能高效预测，并提供对吸附机理更清晰的理解。
研究者用受心理物理学启发的临床基准，考察医学大语言模型在阿尔茨海默型神经认知障碍（AT-NCD）与抑郁相关认知障碍（DRCI）鉴别中的选择与置信度。45个合成病例以三种提示变体呈现，共135次试验；gpt-4.1-nano诊断准确率93.5%，平均置信度78.4%，AUROC2为0.876。置信度随证据远离诊断边界上升、信息缺失下降，校正后正确试验高于错误试验，提示部分元认知敏感性；错误集中于中度、冲突的AT-NCD病例，模型过度自信。作者建议直接测量置信度质量，而非由基准准确率推断。
该论文复现了一项提出α-FLOPs估算公式的研究，以检验其在更新更强的硬件上是否仍适用。复现材料存在依赖细节缺失与回归数据不透明等局限。结果支持原始结论：仅FLOPs不足以衡量执行时间，空间维度比核维度更易并行化；但细粒度测量显示关系复杂得多，新硬件上执行时间出现不稳定、跳变和振荡，α-FLOPs公式普遍低估。研究确认原始实证发现，但α-FLOPs估算应用呈负面结果，并强调完整复现包的必要性。
我们引入了语义任务完成视频生成，这是一个以结果为导向的视频生成任务，要求同时实现预期结果和语义接地。语义接地表征参考图像与生成结果之间与任务相关的高层语义对应。为支持系统评估，我们构建了SemComp-Data，覆盖六个领域，每个实例包含参考图像、详细指令、简短指令和以结果为中心的视频片段。可扩展的四阶段策展流程将原始视频标准化为SemComp-Data实例。我们进一步提出了SemComp-Bench，一种使用视觉语言模型（VLM）回答结构化二元问题的评估协议，报告OA评分和GR评分。实验表明，在维持任务相关语义接地的同时实现预期结果仍具挑战性。
《Scientific Data》于2026年8月18日在线发表了一项研究，介绍了一个基于数字全息术的红细胞数据集，旨在用于遗传性贫血的机器学习和深度学习分析。该数据集为研究人员提供了标准化资源，以开发和应用算法来识别和分类与遗传性贫血相关的红细胞形态学特征，从而促进该领域的计算研究。
在混合交通中，自动驾驶车辆决策面临三大挑战：基于物理的先验无法捕捉潜在交互意图和多样驾驶行为；周围车辆急动导致非平稳性，长尾安全事件未充分探索；混合动作空间因连续跟车和离散变道时间尺度不同而破坏统一RL训练。为此提出KDDRL：用条件深度生成模型合成意图感知的未来轨迹；知识-数据双驱动范式融合概率数据洞见与物理约束，引导安全探索；耦合模块压缩意图轨迹和物理约束为共享嵌入，实现异步多时间尺度优化。在数据集校准仿真中，KDDRL有效处理意图不确定性，加速训练收敛，在安全性、效率和舒适性上优于基线。
前沿LLM更新后通常在整体上优于旧版，但整体提升不能说明单个样本：更新仍可造成样本级回退，即旧模型正确而新模型错误。本文用统一的增量价值检验，将各信号相对于置信度基线的增益分离出来，比较推理时可得的单模型信号（置信度、logit间隔、注意力熵）与跨版本信号（输出KL散度、似然漂移、token级KL、表示漂移）。在六个基准、三个任务族（多项选择问答、数学推理、代码生成）和六组模型更新对上，信号有效性依赖任务；没有信号普遍最优；部分跨版本信号在置信度失效时仍有信息量，包括无标签情形，并支持将高风险样本退回旧模型的概念验证。代码见项目仓库。
论文、模型卡和博客文章常以少量编码基准（如SWE-bench和LiveCodeBench）的分数作为广泛编程能力的证据。作者认为，针对这些基准的优化只衡量任务特定表现，使分数与通用编程能力主张之间出现语义落差。他们用自建的Django案例基准套件检验这一差距，发现基于SWE-bench轨迹后训练的模型排名经常无法泛化：跨任务迁移很少，SWE-bench优化在作者任务和LiveCodeBench上增益有限或没有；针对单个Django模态的微调同样无法迁移。因此，少量基准不足以评估受基准优化压力影响的多样模型。作者建议采用分层评估：前沿模型做整体评估，研究用多任务套件，窄任务应用用人在回路研究，并呼吁建立能力分类学并持续维护基准。
本文以Treloar经典实验数据为基准，评估了用于超弹性的主流数据驱动建模框架，包括（广义不变量）本构人工神经网络、物理增强神经网络、（自适应）材料指纹识别以及高效无监督本构律识别与发现。作者比较了各方法的拟合性能、计算成本、超参数敏感性和实现难度，并讨论了预测精度与模型复杂度之间的权衡，其中模型复杂度通过材料参数数量和本构模型及其导数评估时间衡量。结果表明，所有方法都能很好地复现基准数据；论文未判定单一最优方法，而是指出各自优势与局限，并提供使用指导。全部六种方法的源代码、训练与对比脚本、结果和数据均已公开，DOI为10.5281/zenodo.21915635。
本文提出一个通用层方程，通过七个组件统一多种图神经网络架构：更新域、通道集、传播库、每通道消息映射、通道融合算子、自我/残差映射、更新映射。该分解将信息移动位置（传播库）与信息内容（消息映射）分离，支持局部消息传递、注意力、谱滤波、全局通信、关系特定通道、高阶域和几何消息。通过经典层的约简和组件分配，覆盖七个非独占架构家族，并组织超过200种架构。该框架实现组件级比较和架构生成，连接传播选择与过平滑、过挤压、异质性及表达能力，并揭示从可测量属性到有效组件选择的经验逆问题。
PixRestore 是一种无 VAE 的像素空间扩散 Transformer，用于统一图像恢复（UIR）。它直接在补丁化像素上进行流匹配，保留细节。通过 LQ-HQ DINO 特征相似度预测层特征可靠性，实现自适应条件融合。在大规模数据上训练，并通过 DINO 对抗目标微调为单步生成器。约 50M 参数和单步推理下，在保真度、感知质量和鲁棒性上优于现有 UIR 模型，且效率更高。更大变体可进一步提升性能，展现了可扩展性。
随着文本到图像生成模型的发展，其安全问题日益突出，尤其是生成暴力、色情等不宜内容，红队对抗攻击加剧了这一问题。现有防御大多基于白盒假设，依赖文本编码器优化、权重编辑或推理时干预，难以扩展至专有模型。黑盒替代方案基于LLM提示重写，但在良性对抗问题（语言安全但触发有害生成）上失效。为此，我们提出DiSCO，一种零样本、纯黑盒、即插即用的防御模块，无需重训练或访问模型内部。DiSCO通过波束搜索进行分布引导的后缀扩展，利用目标模型自生成的图像池进行对比评分，并迭代自适应反馈直至生成安全内容。在I2P基准下，DiSCO将未防御和已防御模型的攻击成功率分别降低37.7%和25.13%，同时保持语义保真并提升图像连贯性。作为黑盒、与架构无关的模块，DiSCO可随时应用于任何文本到图像系统，无需修改模型本身。
具身智能体虽被广泛用于弥补端到端策略模型的不足，但现有操控框架多为开环，只能在回合结束后反思，无法实时应对物理交互。我们提出Zetta，一种闭环具身操控框架，在保持基础策略冻结的同时，在线进化基于代码的运行时批评者和恢复技能。通过三个时间尺度的循环，Zetta实现了动作频率治理、回合计批评-恢复提议以及验证门控的技能更新。结合Z-Infra基础设施，Zetta在LIBERO-Pro和RoboCasa上达到最先进成功率（90.8%和93.6%），推理速度提升11.1倍；成功率随自探索经验持续提升，技能可零样本迁移，并出现清晰的机器人“顿悟时刻”。结果表明，闭环操控自进化可为可靠的物理智能开辟扩展路径。
语言特定能力（LSC）指语言模型因提示语言不同而表现各异，源于跨语言的语义表征错位。现有对策如英语路由或语言平衡数据均有缺陷。本文提出数据生成框架HOTFIXR，通过探测学生模型的多语言弱点并生成针对性数据来提升性能。在三个分布内任务、三个分布外任务及四种分布外语言上评估，平均改善分布内性能6.2%，减少微调导致的灾难性遗忘（分布外任务3.7%，分布外语言7.1%）。
TinyCast是一种无注意力机制的零样本预测器，仅用146,505个参数输出预测分布，其理念是在此规模下，上下文的周期性结构值得计算而非学习。零参数频谱检测器提供主要周期，上下文按相位折叠，随后由膨胀卷积编码器和块自回归分位数解码器处理其余部分。它比GIFT-Eval榜单上所有参数可查的零样本方法都小，且在概率精度上定义了规模-精度前沿。在声明无测试数据泄漏的零样本方法中，它是唯一低于140万参数且输出预测分布的，所有得分更高的方法参数均不少于它。在Chronos-ZS和fev-bench上，领先它的每个神经模型参数至少为其28倍。由于混合路径仅包含卷积和矩阵乘法，它可导出为静态INT8，并在嵌入式设备上端到端预测，无需逐信号拟合。
多模态大语言模型常用视觉思维链（Visual CoT），通过生成中间推理图像进行空间、时间和具身推理，但推理开销大。本文提出内化视觉思维（IVT），一种训练后框架，在无标签视频上联合优化文本预测和下一嵌入预测，使模型在推理时直接生成答案而无需合成未来帧。在全部六个评估设置中，IVT优于直接答案微调，且与显式Visual CoT相比性能相当或更好，平均端到端延迟降低超过5倍。结果表明，推理时显式像素空间生成可能并非主动视频推理所必需。
记忆正成为长时程LLM智能体的核心基础设施，但现有评估对不同运行机制下应选择哪种记忆底物（即记忆表示和存储的底层媒介）指导有限。我们提出一个受控的底物评估框架，涵盖密集和稀疏索引、文本记录、结构化存储、分层存储、基于精炼的记忆、参数更新和激活兼容上下文机制。在三个骨干模型和四个基准套件（涵盖用户中心的问答和智能体中心的决策）上，我们统一测量了26个效率和性能指标。结果显示没有单一底物始终占优：广泛检索有利于长上下文事实问答，但过度检索可能通过转移对关键上下文注意而损害顺序决策。可扩展性引入额外路由维度，因为中等历史长度下表现良好的底物在更长时序可能变昂贵或脆弱。这些发现推动底物路由作为自适应智能体记忆系统的必要组件，并为设计高效、可靠、机制感知的长期记忆提供经验指导。代码将在接受后提供。
人工智能快速发展显著增加了对大规模数据集的需求，但核医学等数据密集型任务仍缺少足够数据。CT 虽已有一些大型数据集，却很少同时覆盖多种病灶类型，并提供投影域与图像域配对数据；PET 数据更为稀缺，尤其缺少兼顾 18F-DOPA、18F-FDG、68Ga-PSMA 等多种示踪剂、解剖区域和疾病类别的数据。为此，研究提出 SPC-Gen：由潜在扩散模型生成的大规模 PET 与 CT 合成数据集。它覆盖多种疾病、病灶特征、示踪剂、解剖区域和成像模态，同时保持投影域与图像域的内在对应关系。SPC-Gen 发布 50,104 条合成切片记录，包括 PET 投影—图像配对记录和 CT 图像域记录。实验表明，生成样本的分布与真实数据较为接近，并能改善病灶分割等下游任务的表现。与传统 VAE 以及较新的 GAN、NCSN 基线相比，SPC-Gen 在单模态评估中的 KID 稳定在约 0.021，PET 躯干图像域的 FID 为 40.960，显
MOSS-VL是一个开源视觉语言模型系列，将实时交互（边感知边说话）作为首要能力。该模型通过门控交叉注意力使语言解码器在生成时能感知输入帧，并利用合成交互语料监督说话、沉默和修正的时机。分阶段课程将实时特定训练集中在最后阶段。离线时，MOSS-VL-Instruct在相当规模下具有竞争力并领先时序推理视频集。在四个流式基准中，MOSS-VL-Realtime在三个上取得最佳平均分（另一个上排名第二），并在三个测试主动行为的子集上全面领先，如OmniMMI主动提醒达到66.0对比最佳基线37.5。MOSS-VL有11.3B参数，视觉token在解码序列之外，随着视觉上下文的增长，其首token时间优势从2.8倍扩大到5.1倍。所有五个检查点、训练课程和实时推理代码均已发布。
Arc Institute联合创始人Patrick Hsu在访谈中探讨了AI在生物学中的广阔应用，远超药物研发。他介绍了他们新发布的基础模型Evo 2，该模型基于海量基因组数据训练，能学习进化模式，可用于识别致病突变、设计新型分子乃至基因组规模的生物系统。Hsu强调，AI模型能加速科研，通过并行测试大量假设，而湿实验验证仍不可或缺。未来医学需整合遗传和实时生物标志物等多源数据。他提到，计算生物学需要真正精通机器学习和生物学的双语人才。
自动形式化通常被视为将自然语言数学命题翻译为机器可验证的正式语言（如 Lean 4）。然而，忠实的形式化需要将数学概念映射到 Mathlib 等正式库中的类型和定义，现有方法依赖参数记忆而缺乏反馈修订。本文提出 MathForm 框架，通过 Mathlib 知识检索和验证引导的迭代精炼构建经校验的训练数据。利用该框架构建了 FormalVerse 数据集，包含约367K个 Lean 4 验证示例，并训练了 MathForm-8B 模型。在六个基准测试中，MathForm-8B 在语法检查和一致性检查下的平均 Pass@8 分别为 88.06% 和 72.37%，优于多个专业的 32B 自动形式化系统；在 FATE-H 和 FATE-X 子集上，CC 通过率分别为 63% 和 37%，均超过最强基线。
谷歌 DeepMind 研究副总裁 Pushmeet Kohli 主管 AI for Science，介绍团队开发的 AlphaEvolve：将大语言模型与进化搜索结合，可发现全新算法、证明困扰研究者数十年的数学结果，并改进了已有 50 年历史的矩阵乘法算法，还能为数据中心调度等问题生成可解释代码，合作对象包括数学家陶哲轩。Kohli 提出「harness」架构，强调强大生成模型须配以可靠的领域评估器，才能区分幻觉与洞见。AlphaEvolve 的突破来自去掉人为提供的模板、搜索完整算法而非代码片段。多智能体系统让模型互相批评、改进与排序，DeepMind 的 AI co-scientist 经数天计算显著提升；模型往往更擅长评估想法而非生成想法，因此宜分离生成者、批评者与编辑角色。
RobustiPy是一个前沿的开源库，旨在检验经验科学结论是否在所有可能且合理的建模选择下依然成立。它构建分析多宇宙并总结不确定性。通过受控模拟、时间分析和实证复现（包括对已发表研究差异的再分析），它使稳健性分析变得透明、可重复和可解释。
AI共同科学家已能生成假设、检索相关工作、设计实验、执行代码并撰写论文，但现有系统忽视使用者个体差异，仅优化新颖性、有效性和评审分数。本文提出个性化自动研究问题，在研究的每个阶段都基于研究者画像（图结构化的个人背景）进行条件化，以实现真正的协同科学。框架包含图基研究者表示、全流程个性化及面向个体的评估三部分，并指出研究者的隐性知识是新颖想法的关键，强调克服“一刀切”的失败模式。最后讨论开放难题。
美国四个实验室的研究显示，实验可变性（如搅拌不一致）会显著影响催化剂性能测量，对用真实数据训练AI模型构成挑战。该研究由SLAC国家加速器实验室牵头，宾州州立大学、斯坦福大学和加州大学圣巴巴拉分校参与，发表于《自然·催化》。研究采用“循环测试”方法，聚焦铑基催化剂在二氧化碳加氢反应中的表现，发现即使遵循相同协议，不同实验室的结果也存在差异，这影响基于机器学习预测催化剂组合的可靠性。
LLM编码代理通过可能序列化、包装和重解析模型输出的接口发出Bash命令。仅凭匹配执行分数无法区分命令生成错误与生成后引入的故障。QuoteBench通过56个一次性任务（源自14个事件家族）进行精确最终状态验证，并刻意引入一个未转义解析器来跨越生成契约与执行传输。转义插值点可重现原始路径结果，因此任何恢复必须来自模型改变生成。在八种同窗口配置中，重放同一回复通过添加的解析器使成功率降低55.4至73.2个百分点；六种配置通过披露恢复30.4至60.7个百分点，其余两种为零或略负。GPT-5.6-sol的匹配差距-3.6点掩盖了-64.3点损害和+60.7点补偿。部署配置重排模型顺序：26个可比对中有一个明确反转，四个位于单任务边缘。评估命令发出代理应报告模型配置、生成契约、执行路径、操作点和最终状态验证器，而非将匹配分数视为内在属性。
现有AI科学家系统通常处理文本、代码或预计算摘要，忽略了空间、时间、跨通道等关键证据。为此，研究者提出OmniScientist，一种端到端全模态AI科学家，直接基于异质原始证据进行多学科研究。系统包含感知层和三个自主智能体（构思、实验、写作），在确定性流程中运行，使观察贯穿研究生命周期，并通过代码执行新颖性、严谨性和主张检查。在36个真实数据案例（涵盖5个学科、4类证据、多种模态）中，系统均完成从原始数据到成稿的全流程，平均论文得分6.3。与仅接收预计算特征的盲变体相比，直接感知在7个维度上全部提升，并在85%的对比中胜出。
CardioState-JEPA是一个心脏基础模型，通过生理感知的联合嵌入预测架构，在ECG、PPG和PCG之间学习共享表征。该模型将异构波形映射到统一的token空间，使用共享Transformer编码器，并预测掩蔽的潜在心脏状态。它利用学习到的延迟对齐器处理电、机械和血流动力学事件之间的时间偏移。在25个下游任务中，冻结编码器在PPG、PCG和ECG上的AUROC分别平均提高8.2、18.8和15.5个百分点，达到或超过基于临床文本或监督标签训练的模型。
V-RAE 提出一种视频表示自编码器，在冻结的视觉基础模型表示上构建紧凑的生成潜在空间。其轻量时间池化模块去除时间冗余并保留语义结构，视频解码器从压缩特征重建连续运动。在 K600 上，V-RAE 的 rFVD 达 2.13，优于所有评估的大规模预训练视频 VAE；在 UCF101 和 K600 上，其最佳变体在匹配生成设置下 gFVD 分别为 117.86 和 19.16，且收敛速度提升高达 6 倍。引入的 tFVD 指标能更可靠地关联下游生成质量。在 Cityscapes 上，V-RAE 对未来视频预测也优于 Wan 2.2 VAE 潜在空间。实验表明，冻结的语义表示可支持视频重建、生成和预测建模。
《AINews》报道了一项新研究，该研究展示了如何解码加密的推理轨迹，并将其移植到其他模型、会话或用户中，从而显著改进开放模型。自o1发布以来，前沿实验室的推理模型加密了其推理轨迹以防止蒸馏，但此研究表明这些加密块可被重放至较弱模型并经提示转录。研究还警示，公开分享的加密推理会话可能泄露个人数据，初步扫描约7000条公共轨迹发现62个API密钥、33个邮箱、33个密码等敏感信息。论文还涉及对齐问题，如思维链摘要器隐藏答案等。
过渡态决定化学反应的速率与结果，但生成式过渡态预测模型在训练域之外的泛化能力尚少有研究。研究者基于小有机分子反应数据集 Transition1x，构建了包含受控元素替换和多样过渡金属配合物的基准，发现模型对训练中未见元素的泛化存在根本局限。采用基于平衡构象的自监督预训练，使模型在定向微调前接触新的化学环境，可在这些基准上改善未见体系的过渡态预测，降低几何结构的中位均方根偏差，并减少微调所需数据量。
创意体智能体仍缺乏从高质量人类电影中学习的有效方式，限制了其生成电影级视频的能力。为此，研究者提出体智能体视频自动编码器（AVA-Encoder），一种通过体智能体自动编码学习体智能体原生视频表示的框架。它将视频转换为知识图谱表示，再重建为视频；其层级和状态节点存储结构化文本，关联的资源层保存生成的图像、音频和视频，类型化边保留文本描述与资源间的关系，便于体智能体理解、查询和编辑。重建差异驱动文本梯度优化框架，在外环进行数据无关的编码策略伪训练，在内环进行可选的测试时数据相关图谱表示精炼。实验表明，AVA-Encoder 比最强外部基线提高20.7个百分点；在仅策略的受控设置中，其伪训练的镜头级体智能体视频编码策略优于人工调优策略，且使用系统提示词 token 减少74.3%。研究发布了完整框架、可靠的体智能体视频重建基准和首个高质量电影知识图谱表示数据集。
微软研究院推出CARE-X，这是一个统一的胸部X射线视觉语言模型，旨在处理多种临床解读任务。它结合自由文本生成和结构化预测，提供叙述式报告和确定性输出。研究团队使用强化学习（DAPO）在多任务设置中奖励临床正确性。在另一项独立实验中，他们为Qwen3-VL-4B-Instruct配备了确定性测量工具，以评估直接计算在测量依赖条件下的效果。模型在来自Narayana Health的真实印度临床数据上进行了验证，包括罕见的ICU病理和CT确认的扩大情况。CARE-X目前是研究模型，未经监管批准，不用于临床诊断。
在ACM SIGAI的AI Matters交叉转载中，艾拉·斯凯伦采访了2025年AAAI博士论文奖得主浅井明里。浅井的博士论文聚焦检索增强语言模型（LMs），主张超越单一大型模型，设计并训练与互补模块协同的系统。她开创了检索增强LMs，在推理时从大型文本集中检索相关知识，而非仅依赖训练记忆，从而生成更准确、最新、可验证的输出。这项工作挑战了“仅扩大规模即可解决问题”的社区主流观点，并催生了开源模型OpenScholar，帮助科学家综合大量科学文献。该方法已被学术界和工业界广泛采用，如生成式搜索引擎。
到2050年，抗生素耐药性感染或每年导致超800万人死亡，而新抗生素研发既慢又贵。物理模拟可筛选能杀死大肠杆菌等细菌的肽类抗生素。生成式AI模型在科学家指导下可设计出前所未有的分子，随后通过物理模拟快速评估其成药性。肽类如胰岛素和万古霉素是重要起点，AI生成器可快速提出数百万新设计，但需结合物理模拟验证。
《自然·计算科学》于2026年8月10日在线发表的一项研究，将新生成的高通量实验（HTE）数据集与开源数据整合，构建了大规模、高质量的Buchwald–Hartwig反应数据集，用于训练机器学习模型。通过结合HTE与主动学习，研究人员开发出稳健的机器学习模型，具备可靠的分布外预测能力。
该研究提出分层自我改进（HSI）框架，其中单个冻结的LLM在任务执行、进化器和元进化器三个层级上操作，通过固定接口热替换任务框架，并利用环境反馈重写。思维开关设计隔离了框架进化的贡献。实验表明，在BALROG基准上使用DeepSeek-V4-Flash-Preview作为冻结基线，HSI在中等难度任务上持续改进（BabyAI +39.3、Crafter +33.0、TextWorld +25.0、MiniHack +15.0，原始进度百分比），并在BabaIsAI子套件上表现出强大的泛化能力（BreakStop 0.98，GoTo 1.00，20%未见切分）。然而，超出基干能力（NLE）的任务未能从进化中获益，凸显了反馈保真度和基干能力边界。代码已提供。
艾伦人工智能研究所发布TutorMoments预览，这是一个基于真实一对一数学辅导记录的框架，用于评估大语言模型在“何时帮助”与“何时放手”之间的平衡能力。教师标记关键决策点，模型在模拟会话中接管辅导。结果显示，模型倾向于过度帮助，很少推动学生深入思考；明确提示权衡可改善表现，但仍不及人类辅导的适应性，且模型间差异大。团队公开了去标识化的辅导记录、回放代码及模型回放，以促进可复现研究。
Ai2与Hugging Face宣布扩大合作，以提升开放AI的可访问性和部署能力。Hugging Face将Ai2在其Hub上的存储量增加近两倍至约2PB，并取消标准速率限制，实现全速下载。自2024年春季以来，Ai2的模型和数据集已被下载超5000万次。Ai2还发布训练数据、中间检查点等以支持复现。CEO们强调了完全开放的重要性。
在IJCAI 2025上提出的CogTwin是一个混合认知架构框架，旨在为数字孪生系统带来自主推理和实时适应能力。它针对当前数字孪生主要依赖预编程规则和静态模型、缺乏应对突发事件的灵活性的问题，通过整合符号AI、亚符号AI和神经符号AI，使数字孪生具备感知、推理、学习和自主行动的能力。其核心包括双知识图谱（静态领域知识库和动态内部知识图）以及混合注意力机制，以实现稳定与适应性的平衡。该框架标志着从模拟和监控向真正智能和适应性转变。
美国AI公司OpenAI宣布其下一个主要模型家族Astra。公司称，由“一个内部版本的Astra”取得了10项成果，每项都解决或大幅推进了一个长期开放问题，领域涵盖高维几何、编码理论、算术线路复杂性、群论、算子代数、量子复杂性、格密码学与极值组合学。具体问题包括高维球堆积、二元码与球面码、非sofic群、Connes刚性猜想、量子并行重复、最近向量问题、Ehrhart体积猜想、多色Ramsey数与极值数猜想等；其中模型给出了某些群由其von Neumann代数唯一决定这一长期猜想的反证，并给出降至Cohn–Elkies阈值的球堆积密度新上界。据The Telegraph报道，OpenAI首席执行官Sam Altman上周访问华盛顿时被认为向美国政客演示了Astra系统。OpenAI研究科学家Noam Brown在LinkedIn发文称，该内部版本在数学、量子复杂性与理论计算机科学中解决了10个重大开放问题。哥伦比亚大学副教授He
近期研究显示，医疗保健环境中LLM在评估与部署时的性能存在61个百分点的差距。作者认为这一差距并非源于基准设计不佳，而是评估协议中的隐含假设在部署时不成立。他们提出一个分类法，将假设分为任务型和结果型两类，以诊断差距的来源并指导如何弥合。弥合差距需要明确假设、检验假设是否成立并相应更新评估协议。
OpenAI称其下一代模型Astra的内部版本在数学与理论计算机科学的10个长期悬而未决的问题上产出新结果，这些问题的主要结果至少十年未见进展，许多停滞更久。研究覆盖高维几何、编码理论、群论、算子代数、量子复杂度、格密码学与极值组合学，成果包括：达到Cohn-Elkies阈值的高维球堆积新上界、给定最小距离下二元码最大尺寸的改进界、非sofic群存在性的构造、对Connes刚性猜想的证伪、n⁴/log n量级的算术公式下界、一般双人量子博弈的指数并行重复定理，以及最近向量问题的多项式因子近似困难性结果；另有Ehrhart体积猜想与多色Ramsey数等工作。
基于机器学习（ML）的0.1°全球天气预报模型受限于高分辨率数据不足，因为数十年的再分析资料仅有0.25°分辨率。现有方法在有限的0.1°样本上微调0.25°预报模型，但研究表明，粗分辨率预报存在不可逆的信息损失，阻碍了这种迁移。为此作者提出BaguanHR框架，将重点从模型迁移转向数据迁移，利用逐变量超分辨率（SR）从ERA5合成大量0.1°数据。在合成加真实数据集上，BaguanHR优于ML方法和IFS-HRES，在72小时内超过85%的预报时效上表现更佳。数据量翻倍可使72小时和120小时预报RMSE分别降低4.6%和4.9%，显示高分辨率ML预报扩展主要受数据瓶颈制约。
微软发布Echoverse，包含12个用于训练计算机使用代理的世界：10个深度领域世界和2个能力世界，每个世界反复训练单一控件（如日期选择器、嵌套过滤器）。深度是关键：世界再现真实应用行为、预置真实数据、跨屏幕和用户保持状态一致。用全部12个世界训练后，一个9B模型的基础分数从36.5%提升至67.1%，接近GPT-5.4（差14分）。实验发现：高保真模拟是必需，浅层世界反而有害；代理常卡在相同UI元素，但通过多样化训练能泛化到未见领域；模型、世界和验证器共同演化可互相提升；基于接地验证器的强化学习超越模仿学习，提升保留性能并减少达到目标的步骤。现已开源4个世界及其代码、数据和接地评分器。
微软研究院推出EvoLib框架，使大语言模型在推理过程中无需人工标注或外部反馈即可自我监督学习。EvoLib将过往尝试转化为可复用的技能与反思性见解，并随时间不断提炼、整合和重新加权，使知识从具体经验升华到通用规律，从而跨任务迁移，持续提升性能。该框架无需更新模型，适用于任何黑盒大语言模型及API部署的AI系统。
澳大利亚国立大学情绪与面孔实验室领导的研究表明，人类经过训练能提高识别AI生成人脸的能力。当前AI深度伪造人脸极为逼真，传统训练（如寻找第六根手指）效果有限。该训练关注六个感知特质：独特性、记忆性、比例、对称性、吸引力及表情丰富性。所有参与者识别能力均有提升，高水平者近乎完美。研究结果已在加拿大维多利亚大学团队中成功复制。
授粉是地球最重要的生态过程之一，但了解不同昆虫如何贡献于授粉仍然困难。许多蜜蜂访花但不都传粉，传统区分生态功能需要劳动密集的田间实验，难以规模化。在2025年NeurIPS非人类动物通讯AI研讨会中，Alef Iury Siqueira Ferreira介绍了团队开发的声学模型，按生态功能对蜜蜂分类，提供可扩展的授粉研究方法。文章讨论了测量授粉质量的挑战、功能监测相比物种清单的优势，以及ML如何帮助理解传粉者、植物与生态系统之间的关系。
在高质量训练数据日益稀缺、预训练成本不断攀升的背景下，圣加仑大学AI教授Damian Borth提出常被忽视的知识来源——已训练好的模型。其团队研究“权重空间学习”，将训练好的神经网络本身视为数据，从数百万GPU小时优化的蒸馏结果中学习，而非每次从原始数据开始。本期探讨构建神经网络基础模型的意义、跨架构跨领域的知识迁移、如何大幅降低专用模型开发成本，以及未来AI系统是否将基于现有模型集合训练而非不断增长的数据集。
ISTA研究人员开发了一种用实验数据引导AlphaFold的方法，以模拟更接近物理和生物现实的蛋白质结构集合。AlphaFold虽预测准确，但常将异质结构还原为单一构象，忽视实验条件的影响。该方法发表在《自然·生物技术》上，为改进未来预测模型铺路。研究人员强调，蛋白质是高度动态的分子，建模这种动态性有助于揭示其运动的功能重要性。
作者参加了一场关于数学与AI的研讨会，会上产出了《莱顿宣言》，已有3000多人签署。作者虽未签署，但并非反对，而是对宣言中一些自信的断言和建议感到不确定。他强调宣言在聚焦数学界面临AI问题上的积极作用，并引用了宣言中关于数学研究特征性价值的段落，包括证明的最高确定性、归因性、透明性和独立验证性等。
荷兰 Naturalis 生物多样性中心的 Dan Stowell 教授领导“BioacAI”项目，旨在利用人工智能分析庞大的野生动物声音数据，以更高效地监测生物多样性。这一为期四年、由欧盟资助的项目汇集了欧洲和英国的研究人员，开发能自动识别物种的AI工具，预计2027年结束。同时，项目通过博士网络培养兼具声学、AI、动物学和生态学知识的“全栈”人才，以应对领域内技能短缺的挑战。
艾伦人工智能研究所（Ai2）在一篇评论中称，随着AI成为科研、医疗、工业和政府的关键基础设施，理解AI如何运作比以往更重要，因此开放是其核心立场。开放权重模型让人们能使用和改造AI，减少对单一供应商的依赖；完全开放发布还共享训练数据、代码、方法、检查点、评估和文档。该文主张信任需要公开证据，独立研究者需这些材料复现结果、检验局限、评估安全与可靠性。文中举例：东北大学与约翰斯·霍普金斯大学利用Olmo模型权重、内部表征、训练数据和出处研究临床应用中的群体偏差与知识截止日期；Arb Research等利用Olmo 3训练数据和中间检查点证明改写基准问题会虚增模型进展；得州大学奥斯汀分校、东北大学和MD Anderson癌症中心使用了Olmo 3和Ai2的infini-gram。
2026年4月，NASA Artemis II任务拍摄的地球照片引发关注，但AI生成类似图像只需数秒，引发信任危机。作者研究视觉科学传播，指出AI图像已渗透科学领域：用于插图、合成数据、编辑实验图像及教育材料，同时模糊了插图、增强与伪造的界限。2024年两篇论文因AI生成的不可能结构被撤稿；2026年4月《新英格兰医学杂志》也因AI操纵临床图像撤稿。学术出版商开始采用AI检测工具，但检测系统往往滞后于生成系统，且只能识别训练过的模式，问题可能只是冰山一角。
传统机器人学习依赖真实机器人采集演示和评估策略，耗时昂贵且难以复现。我们提出交互式世界模拟器：一种学习式的、以动作条件化的视频预测模型，仅根据当前图像和动作序列预测后续像素帧，无需物理引擎。在单个RTX 4090上以15 FPS运行超过10分钟，预测视频稳定且物理合理。该方法可降低数据生成成本并实现可扩展的评估。我们在四个任务上训练：T型推（刚体接触）、绳索布线（柔性-刚性交互）、抓取杯子（精细夹爪动力学）和扫堆（物体堆操作），全部仅从交互数据学习，无硬编码物理先验。
陶哲轩认为，利用现代编码智能体创建数学或科学概念的可视化应用是有利的，因为其风险可控：非关键任务、独立部署、结果确定且沙盒化，不替代主要技能，也不与人类竞争。他介绍了两个新应用，其中一个展示了近期论文中提出的“zeta过程”，该过程由AI首次发现，将zeta分布的随机变量链接成无限可分的随机过程链，具有良好的数论性质，如素数整除次数呈几何分布。另一个应用展示天体运动。
过去一年，AI 智能体改变了编程的含义，科学研究可能成为下一个被改变的领域。Google DeepMind 与 10 位研究员和工程师对谈，探讨接下来会发生什么；最迫切的问题是如何验证即将到来的 AI 生成想法，并让科学家用上智能体、让数据集适配智能体、让同行评议维持运转。帝国理工学院微生物学家 José Penadés 团队花了近十年研究一族超级细菌如何传播抗生素耐药性，成果未发表。2024 年他将问题交给 Google DeepMind 的 Co-Scientist，两天内得到 5 个按优先级排序的解释，排第一的正是其团队苦心证明的假说：某些超级细菌从病毒处获得尾巴，当作“钥匙”跨越宿主物种。他一度怀疑电脑被入侵，写信给 Google 核实，确认没有“偷看”。
陶哲轩在博客中展示了如何利用编码代理将论文中的图转化为交互式动画。他以最近与Chase和Hunter合著的关于Gilbreath猜想的论文中的图1为例，该图绘制了“Gilbreath期望序列”的精确值和数值模拟值。该序列由倒金字塔状的Gilbreath数组定义，顶部为指数随机变量，其余为相邻差的绝对值。序列为左侧对角线的期望，论文中仅计算了部分理论值，其余通过蒙特卡洛模拟获得。Michael Ross扩展了理论值，与模拟吻合良好。序列的渐近行为仍未知，甚至无法证明有界，论文中仅证明了其衰减不会快于某个界限。
机器学习正在从研究边缘走向天气预报核心，有望实现更快、更及时且可能更低成本的预报。ECMWF机器学习项目（MLP）由挪威气象研究所和瑞士气象局牵头，联合ECMWF及17个国家气象部门，于2024年在EUMETNET E-AI计划下启动。项目不聚焦单一模型，而是探索区域到全球业务化ML预报所需的基础设施、数据和工作流程，促进欧洲各国气象部门共享知识，共同应对转型挑战。
微软在SymCrypt中采用Rust、Lean和Aeneas，并借助AI代理，对生产级密码算法进行正式验证。他们证明代码安全正确地实现了标准算法，尤其针对后量子密码。最初发布SHA-3和ML-KEM的验证代码、规范、属性和证明。Aeneas支持验证大部分Rust代码，并在Lean中提供高效自动化；AI代理通过编写可独立验证的证明来扩展自动化。这种方法结合了Rust对内存安全的保证和Lean证明对功能正确性的机器检查，以弥补测试和审计的不足。
陶哲轩自1999年起编写Java小程序用于数学教学与可视化，后因浏览器不再支持Java而失效。近日，他利用AI编码代理将这些旧小程序移植到JavaScript，并添加了图形改进，如将Besicovitch集应用彩色化。移植约二十多个应用仅发现一个次要bug，且代理还指出了原代码中的两个错误。受此鼓舞，他重启了1999年放弃的特殊相对论可视化工具构想，类似“闵可夫斯基空间中的Inkscape”。
本文探讨了持续预训练中任务构建的控制作用。通常的预训练在训练前就固定了自监督任务规则，而下游反馈仅在完整训练后获得，控制回路粗放。作者提出基于价值的预训练（V-pretraining），将学习器与任务设计者分离：学习器仅用未标注数据的自监督损失更新，轻量级任务设计者则利用少量可验证的下游示例学习如何构造自监督任务（如语言建模中的目标分布或视觉中的视图选择），以更直接、更紧密地利用下游反馈。
Aurora 1.5 是微软 Aurora 地球系统基础模型的重要扩展，新增 22 个与能源、农业、交通和气候风险相关的天气变量，并提供逐小时时间分辨率与概率集合预报。模型已在 GitHub 开源，Hugging Face 提供模型检查点，由 Microsoft Weather 在微软研究院 AI for Science 原模型基础上开发；Aurora 最初于 2024 年推出、2025 年发表于 Nature。新版本将开放研究连接到 Microsoft Weather 服务，支持数据、基础设施、托管访问和业务化应用，并加入了用户最需要的能力之一（原文在此处中断）。
本期节目中，Osmo 创始人兼 CEO Alex Wiltschko 探讨了赋予计算机嗅觉的目标，以及构建嗅觉智能所需的条件。他解释了如何利用图神经网络和高级嵌入空间来捕捉气味的多样结构，将其分组为感知邻域，并创建预测分子气味的机器学习表示。Osmo 从零开始构建了最大的专有嗅觉数据集，用于训练预测模型。嗅觉智能未来可应用于疾病检测、情感感知和消费设备等领域。
微软研究院AI for Science团队推出Flint，一种用于AI驱动图表创建的可视化中间语言。Flint使AI代理能根据简单、人类可编辑的规范可靠地生成表达力强、视觉精美的图表。它利用语义数据类型指导编译器选择适当的比例、基线、格式和配色方案，并自动管理布局以适应数据变化。单个Flint规范可编译为Vega-Lite、Apache ECharts或Chart.js，无需重写。开源项目包括flint-chart库和flint-chart-mcp服务器，使代理能在聊天或编码环境中创建、验证和渲染图表。这解决了简短规范产生的图表平庸，而详细规范又冗长易错的问题。
大型语言模型（LLM）常被用作合成调查受访者，但研究指出其个体答案看似合理，却未保留真实人类调查数据的联合分布、潜在结构、信度、中介路径和人口效应。研究引入立陶宛组织心理学数据集（n=263，68条目，12子量表），对37个模型进行心理测量相似度评分（PSS），并与五个非LLM统计基线及人-人上限比较。结果显示，LLM再现了定性方向，但高斯copula基线在PSS上优于所有LLM；LLM之间更相似（平均PSS 0.73）而非与人类相似；记忆化不是驱动因素。反事实交换显示教育效应（|d|=0.56）远超性别（0.12）和角色（0.18）。所有LLM表现出强顺从偏移（+0.84 SD），合成训练的回归器在保留人类上预测效度下降（平均R²-0.18 vs 0.28），并在3/10安慰剂中介路径上虚构间接效应。LLM样本不能替代人类调查数据。
SkillOpt 将智能体技能文件视为冻结目标模型之外的可训练参数，把技能编写从一次性提示转变为受控优化过程。在六个基准、七个目标模型和三种执行模式下，SkillOpt 在全部 52 个评估单元中均为最佳或并列最佳，且不更新模型权重。通过有界文本编辑、验证门控、拒绝编辑反馈和慢/元更新，技能保持紧凑和可审计，避免无控制的提示漂移。优化后的技能可跨模型规模、智能体框架和相关任务迁移，表明其捕获可复用工作流知识而非基准特定指令。
艾伦人工智能研究所发布MolmoMotion模型，给定视频帧、物体上的3D点和动作描述，可预测未来几秒内点的3D轨迹。该模型在性能上大幅超越现有预测方法。同时发布MolmoMotion-1M数据集（含116万视频）和经人工验证的基准PointMotionBench（含2700个视频片段）。这些预测轨迹可驱动机器人规划和以轨迹为条件的视频生成等下游应用。模型权重、数据集和基准均开源。
地球物种项目（Earth Species Project）发布2025年度报告，总结了在动物语言处理（Animal Language Processing）领域的进展，包括：开发并开源了首个专为分析动物声音设计的大型音频语言模型NatureLM-audio；发表了14篇新论文；与研究虎鲸（与Raincoast保护基金会合作）、斑胸草雀（与麦吉尔大学合作）和腐肉乌鸦（与莱昂大学合作）等物种的研究者开展合作。此外，他们在NeurIPS会议上共同组织了“AI for Non-Human Animal Communication”研讨会，这是该主题首次正式出现在重要AI会议上；他们还共同组织了BioDCASE的多声道对齐挑战赛。
计算生物学家Aviv Regev现任Genentech研究与早期开发负责人，曾任职于麻省理工学院和Broad Institute of MIT and Harvard。她认为医疗保健正处在拐点：人工智能、数据、大规模实验与对人体生物学的测量能力相结合，正带来生物学、药物发现和医学领域前所未有的洞见。海量高分辨率数据可与AI深度整合——AI既能分析数据、填补实验无法捕捉的空白，也能引导迭代生成更多数据，逐步逼近更好的模型。单细胞基因组学可解析单个细胞的分子组成，进而构建Human Cell Atlas等参考资源；数据积累后还能建立“虚拟细胞”模型，理解细胞在疾病或治疗情境下的不同行为。AI亦可贯穿药物发现各阶段，从理解生物学、开发靶向疾病通路的药物到评估安全性。她同时强调，基础研究对创新至关重要，稳定的环境有助于开放式创新。
HarmProfile是一个以内容为中心的基准数据集，收集23个前沿大语言模型（涵盖13个模型家族）在15个危害类别和57个子类别中的超过80,000个已验证的不当行为样本，并将有害输出分布定义为模型级风险画像。研究发现，前沿LLM能大规模产生有害内容，且风险画像各异；危害性和多样性随模型能力增强而增长，表明这些模型可能看似安全，却在对齐表面之下隐藏着日益危险的知识。
AlphaFold 3 版本 3.0.3 的代码许可从 CC BY-NC-SA 4.0 更改为 Apache 2.0，并进行了错误修复和性能改进。新特性包括兼容 Python 3.14，Confidences JSON 序列化速度提升最多 30 倍（对于 5000 残基的输入，序列化时间从 43 秒降至 1.3 秒），mmCIF 解析速度提升 4%。修复包括新增标志以避免从非连接糖类中移除 O1 原子、支持动态版本推断、正确传递 Jackhmmer/Nhmmer 标志、修复独立糖类的 O1 清理、保留 RNA 和蛋白质链的描述等。
Laura Luebbert 在文章中提出，生物数据基础设施需要为智能体而设计。团队以从 NCBI Virus 数据库检索序列数据为案例，测试了 Claude、Biomni Open Source（Biomni OSS）、Edison Analysis、GPT 等科研智能体，发现即使最强的模型也未能稳定达到构建可靠数据集所需的精度；在加入确定性检索层 gget virus 后，准确率接近 100%。结论是：当下确定性检索工具对智能体工作流的可靠性至关重要，生物数据库应把智能体视为规模化用户来设计。作者以旧城与软件基础设施类比，说明现有生物学数据格式异构、分散、依赖一次性脚本，难以导航。
Anthropic在Anthropic Science Features发文称，正与世界一流的合成、计算和分析化学家合作，提升Claude的化学能力。作为该工作的首个成果，Anthropic化学家David Kamber考察了Claude如何应对化学家最常用的分析输入——NMR谱。文章强调，化学家需在白板手绘结构、仪器读数、数据库查询字符串及专利/出版物的技术记法之间转换；CAS作为最大的化学登记库，已收录逾2.9亿种已披露物质，每天新增约15,000种。AI虽很适合承担这一研究负担，但在化学领域仍基本停留在愿景层面。
斯坦福大学主导、李飞飞参与的研究团队发布基准 ESI-Bench，记录所有受测前沿多模态AI模型的一项具体可测失败：当模型必须在3D环境中主动移动，而非解读预先构好的图像时，最先进系统会持续选错动作、跳过能纠正错误的视角，并以高置信度坚持错误答案；论文称之为“动作盲视”。该基准含10个任务类别、29个子类别、约3000项任务，构建在 OmniGibson 模拟器和斯坦福 BEHAVIOR-1K 数据集上，并围绕哈佛发展心理学家 Elizabeth Spelke 提出的核心知识系统组织。它取消以往基准的“神谕观测”假设，要求智能体先决定调用感知、移动还是操作及其顺序，以主动揭示遮挡结构、动力学、容纳关系与功能等静态图像无法呈现的信息；每项任务的正确答案若不先选择动作便结构上不可得。
在野外，斑胸草雀并非孤立鸣唱，而是在动态社会群体中相互呼唤。生态学家理解这种交流需要知道谁在与谁通信，但个体级别的追踪一直困难。生态学家Hugo Loning与AI研究员Aneesh Chauhan合作，应用Earth Species Project开发的自我监督生物声学模型BirdAVES，从野外录音中识别个体斑胸草雀，生成“谁在何时歌唱”的时间线，从而研究社会行为、移动和信息共享。该论文已被NeurIPS 2025首届非人类动物AI研讨会接受。
Wang等人提出MINT框架，通过偏好优化将多模态生物医学模型的知识转移至单模态大语言模型（LLM）。该框架应用于罕见病预测和组织类型分类，在提升任务性能的同时保持通用推理能力，为将稀缺的多模态生物医学知识扩展至更灵活的基础模型提供了实用策略。
Anthropic 发现团队研究员 Brianna 在博文中分享了近期生物信息学基准测试工作。文章回顾了大语言模型评估的演进：从 MMLU-Pro、GPQA、LAB-Bench 等侧重专家知识、推理和文献工作的基准，到 FrontierScience、Humanity's Last Exam 等更难的科研推理评测，再到 BLADE、BixBench、SciGym 等面向真实工作流的任务式基准。这类测试旨在判断模型是否足够胜任、可靠，能否支撑甚至完成专业级科研工作；科研人员目前已用模型编写分析管线代码、提出假设并从数据中得出结论。所给摘录未介绍 BioMysteryBench 的具体设计或结果。
ChemGraph-XANES是一个基于大语言模型（LLM）的智能体框架，整合了基于RAG的文档参数检索、schema约束的工具执行、确定性FDMNES输入生成、Parsl并行执行和来源可追踪的数据整理。评估中，基于组分、基于结构文件和基于文档RAG的运行分别有10/10、10/10和9/10完成端到端任务；每次RAG运行都正确传递了从FDMNES手册检索到的能量网格参数，唯一一次端到端失败发生在下游多结构处理。另一项任务并行演示中，该框架从Materials Project检索21个TiO2结构，并为每个结构提交一个FDMNES计算，全部成功完成。这些结果表明，该框架为计算光谱学提供了受约束且可复现的编排层。
研究者将分层相关性传播（LRP）向注意力机制扩展的AttnLRP方法应用于当前先进的基因组语言模型DNABERT-2，提出从token到核苷酸水平的解释迁移策略，并在基因组数据集上用多种指标评估这一适配，同时将其解释与基线CNN进行广泛比较。结果显示，AttnLRP能产生与已知生物模式相符的可靠解释，表明与CNN类似，基因组语言模型也有助于获得生物学见解。该工作为gLM的可解释性及跨架构相关性归因的可比性作出贡献。
谷歌DeepMind研究负责人Vivek Natarajan将在2026年6月12日于伦敦举行的第10届研究与应用AI峰会（RAAIS）上发言。他是Med-PaLM及Med-PaLM 2的首席研究员，这两个系统分别在USMLE问题上达到及格和专家级水平，其中Med-PaLM 2在MedQA上得分高达86.5%，较前代提升超过19个百分点。他还共同领导Project AMIE，旨在构建多模态对话式诊断智能体，能收集症状、跨专科推理并解释视觉医学信息。2026年3月，团队发表了前瞻性临床可行性研究结果。
欧洲中期天气预报中心（ECMWF）与多个欧洲国家气象服务合作开发了Anemoi框架，旨在支持大规模AI天气与气候模型的开发、训练和业务运行。该框架提供共享的数据集、工作流和软件基础设施，使AI技术能从研究走向预业务化和业务化应用。Anemoi强调端到端工作流，涵盖数据准备、模型训练和大型推理，并针对EuroHPC等现代高性能计算架构进行优化。其三大紧密集成组件包括：面向ML的AI就绪数据集、稳健可复用的分布式工作流，以及集成训练、推理、验证和监控工具。该框架旨在在保持运营所需的可靠性、可追溯性和稳健性的同时，支持快速发展的机器学习技术，促进欧洲范围内的创新与运营一致性。
在《Vibe physics》客座文章中，哈佛物理学家、NSF IAIFI负责人Matthew Schwartz全程用文字提示指导Claude Opus 4.5完成一项真实理论物理计算，自己从未直接触碰文件。他用提示词封装代码与计算复杂度，两周内得到一篇技术严谨且具影响力的高能理论物理论文，而通常需要一年；过程涉及超过110份草稿、36M tokens和40多小时本地CPU计算。他认为Claude快速、不知疲倦且急于取悦，但也足够粗心，仍需领域专家评估准确性；AI尚未实现端到端科学，但一组提示词已能驱动前沿科学，三个月前还不行。他称这可能是他写过的最重要的论文——不为物理，而为方法。
Anthropic研究人员Siddharth Mishra-Sharma介绍，可将多日智能体编码工作流（测试预言、持久记忆、编排模式）用于科学计算，即使超出自身专业领域。科学家不再需要在对话循环中逐步紧控，而是设定高层目标后让一组智能体自主工作，数小时完成原本需数天至数月的项目。适合范围明确、成功标准清晰、可间断监督的任务，如重实现数值求解器、转换旧Fortran软件、对照参考实现调试大型代码库。Anthropic的C编译器项目曾让Claude在约2000个会话中构建可编译Linux内核的C编译器。文中以Claude Opus 4.6实现可微宇宙学玻尔兹曼求解器为例。
在IPAM研讨会上，菲尔兹奖得主陶哲轩与OpenAI首席研究员Mark Chen进行炉边对话，讨论AI在数学领域的飞跃。一年前陶哲轩评价GPT像“效率极低的博士生”，如今AI已在IMO获金牌级成绩，人类编写的基准测试被迅速“击破”。陶哲轩认为数学试错成本低，AI快速解决长期被忽视的Erdős问题，促使数学界反思研究分工、人机协作与教育变革。
Google DeepMind 称，Gemini Deep Think 在专家数学家和科学家指导下解决数学、物理和计算机科学中的专业研究问题。2025年夏，一个高级版本在国际数学奥林匹克（IMO）达到金牌标准，更新版本随后在国际大学生程序设计竞赛（ICPC）取得类似成绩；团队最近一周发表了两篇相关论文。研究级数学方面，团队构建了基于 Gemini Deep Think 的智能体 Aletheia，用自然语言验证器发现候选解法缺陷并迭代修正，且能承认失败；为应对高级科目中因数据稀缺造成的浅层理解与幻觉，它还使用 Google 搜索和网页浏览，避免虚假引用和计算错误。模型在 IMO-ProofBench Advanced 上随推理时计算扩展得分最高达90%，而 Aletheia 显示更低推理时计算也能实现更高推理质量。
insitro 宣布将收购 CombinAbleAI，并同步推出 TherML（治疗机器学习）平台，该平台被描述为单一、模态无关的 AI 引擎，用于药物发现和设计。交易预计于 2026 年 1 月下旬完成，旨在将 insitro 的能力从小分子和寡核苷酸扩展至抗体及其他复杂生物制品，构建从靶点发现到可开发性评估的端到端系统。TherML 利用生物学指导模态选择和分子设计，将可开发性考量（如稳定性和可制造性）提前，而非先优化效力再评估可制造性。对于复杂生物制品，TherML 将整合 CombinAbleAI 的物理信息优化引擎，该引擎已在超过 10 万个分子动力学替代模型上进行了预训练，以预测蛋白质结构和柔性。小分子方面，TherML 利用定量自适应文库映射化学空间并生成局部训练数据；寡核苷酸方面，应用 AI 和自动化实现 siRNA 候选设计的工业化。平台还包括基于内部数据集和行业合作数据构建的 ADMET 预测模型。收购后，C
机器学习原子间势（MLIP）正在变革计算化学与材料科学，但开发者面临缺乏GPU加速的原子模拟工具的问题。现有工具多为CPU中心，在混合工作流中，模型由PyTorch在GPU上加速，而模拟工具为串行CPU，导致效率瓶颈。NVIDIA在Supercomputing 2024上发布了ALCHEMI（AI化学与材料创新实验室），提供领域专用工具包和NIM微服务，包含GPU加速的批量操作，如邻居列表等，旨在弥合PyTorch与原子模拟之间的鸿沟。
RFdiffusion3 作为开源软件发布，这是一种先进的生物设计 AI 模型，能够生成与活细胞内常见任何类型分子相互作用的新型蛋白质。该模型采用原子级扩散，能够精确控制化学相互作用，从而设计出前所未有的蛋白质结构。相比早前的 RFdiffusion2，性能提升十倍，在多项计算基准测试中达到或超越先前工具。该模型可应用于设计降解微塑料的酶、合成转录因子用于基因治疗，以及构建环境监测生物传感器。
Google DeepMind与数学家陶哲轩等合作者本周发表论文，介绍AlphaEvolve推动的数学发现。该工作展示了纯数学中人机协作的新方法。该系统处理了67个挑战性问题，既重新发现顶尖解，也为若干长期挑战找到新构造。AlphaEvolve被称为“通用进化编码代理”，借助Gemini等大语言模型提出、测试并迭代改进算法解，建立在DeepMind 2025年5月首次发布该工具的工作之上。陶哲轩在博客中解释，其核心是进化用于寻找解的Python代码，而非直接构造数学对象；“搜索模式”让一次较慢的LLM调用触发大规模廉价计算，并自行探索数百万种可能性，“泛化模式”则寻找对任意给定数成立的公式。研究者称，许多问题的平均准备时间最多只需几小时。源文本在列举具体新方法处截断。
一项由Baker Lab领导的新研究首次证明，功能完整的抗体可以完全在计算机上开发，无需动物免疫或大量筛选。这一突破可能重塑2000亿美元的抗体药物行业，并为目前认为不可成药的疾病开辟治疗途径。该工作基于2024年3月发布的预印本，当时显示AI能生成功能性纳米抗体片段。如今发表在《Nature》上的成果标志着重大进展：现在可以设计包含重链和轻链的完整抗体可变区，这是大多数抗体药物采用的分子结构。研究团队免费共享抗体设计软件RFantibody，供学术、个人和商业用途，代码已在GitHub发布。
分子Hessian（势能的二阶导数）是计算化学许多工作流程的基础，但精确计算通常昂贵且随体系规模扩展性差。本文提出Hessian原子间势（HIP），一种直接预测Hessian的深度学习模型，不依赖自动微分或有限差分。模型利用图神经网络计算最高到l=2的不可约表示（irrep）特征，构建SE(3)等变、对称的Hessian。相比现有方法，HIP的Hessian计算快一至两个数量级，更准确、更省内存、更易训练，且随体系规模扩展性更好。在过渡态搜索、几何优化、零点能修正和振动分析等下游任务中，HIP均表现出一致的优越性能。作者已开源HIP代码和模型权重。