TwinLab-Bench:让 AI 科学家自己设计实验,再接受真实实验记录检验
TwinLab-Bench 将评测重点从“能否按流程完成任务”推进到“能否自主设计实验”。在覆盖多个学科的 52 项任务中,前沿模型仍面临明显挑战。
阅读全文TwinLab-Bench 将评测重点从“能否按流程完成任务”推进到“能否自主设计实验”。在覆盖多个学科的 52 项任务中,前沿模型仍面临明显挑战。
阅读全文Anthropic数学家Levent Alpöge称,他与Claude合作得到黎曼猜想的证明,并以Lean形式化论证。但目前这份成果仅发布在个人网站,尚未经过独立验证或数学界广泛审查。
阅读全文UniPat AI发布Science Prediction Universe(SPU),要求模型在有限算力和八小时窗口内,预测化学、材料、生物与医学湿实验的结果排序。首轮评测显示,前沿模型距离稳定、可靠的实验预测仍有明显差距。
阅读全文一项针对生物医学研究智能体的实验显示,模型即使给出相同结论,也可能读取并引用了不同证据。更隐蔽的是,GPU 静默数值错误会改变药物筛选决策,而常规完整性检查未必能够发现。
阅读全文Google DeepMind发布AlphaGenome 2,将单细胞图谱与人类遗传学结合,预测DNA变异如何影响特定细胞类型和疾病状态。模型可在不重新训练的情况下适配新的单细胞数据。
阅读全文ReproBridge 将代码、环境、启动脚本和复现指南整合为可交接的复现工件,帮助编码智能体更稳定地重现实验。基准测试显示,完善工件可将平均成功率从76.4%提升至92.6%。
阅读全文Sage-Taiyi 将元认知机制引入科学发现,让系统持续检查证据、假设与未解问题,并据此调整研究目标和推理方法。论文称,该系统在多项科学创意评测中领先,并在化学反应优化中取得了实验验证结果。
阅读全文SwarmEvolve 将 LLM 驱动的程序进化搜索从“反复生成文本”转向潜空间协作。通过 KV cache 传递、隐藏状态去重和自然交叉,它试图以更低成本加速数学发现与科学计算优化。
阅读全文FrontierPhysics 将物理智能体的评测从单题问答推进到端到端研究,要求模型完成文献调研、方案设计、实验验证和论文写作。结果显示,当前前沿模型的主要短板不是物理知识缺失,而是推理严谨性与研究直觉不足。
阅读全文一项研究让自主智能体把冻结的 AlphaFold 3 当作黑盒实验仪器,针对不同蛋白质复合物动态调整 MSA 的序列选择与跨链配对。测试显示,该方法在三个基准上持续提升界面预测表现,同时平均减少约 60% 的 MSA 序列。
阅读全文MoLRSI 不只是执行既定分子设计流程,还会根据结果、执行反馈和跨任务记忆持续优化工作流与搜索策略。在抗生素和肽-MHC结合剂设计任务中,它取得了优于既有流程的实验结果。
阅读全文一项研究提出测试时记忆演化(TTME),通过更新外部记忆而非模型权重,让模型在科学发现过程中积累经验。实验显示,在五项数学任务上,TTME同时取得更高表现与更低计算开销。
阅读全文论文提出 h1,一个围绕 Lean 4 的简洁智能体框架。实验显示,在模型和计算预算相当时,持续利用验证器反馈的简单循环,能够达到甚至超过多种专门化证明流程。
阅读全文KAIST AI 提出的 Principia,尝试让大语言模型在测试时从输入与结果的对比中形成假设,再将反复出现的关系归纳为可迭代更新的科学原则。该框架已应用于分子优化、蛋白质工程、基因扰动和分子性质预测等任务。
阅读全文LLM2Cert 将大语言模型用于 Lyapunov 函数和 barrier certificate 的合成,并通过 SMT 求解器与 Lean 证明修复代理进行验证。在包含高维、非线性和控制约束任务的基准上,该框架验证了 105 个实例中的 81 个。
阅读全文SplatLab 面向 3D Gaussian Splatting,尝试把论文复现、方法改进、GPU 训练、消融实验和论文撰写串成一条自动化流程。其核心卖点不是单纯生成研究想法,而是让每个结果都能追溯到具体训练记录。
阅读全文MolLean 将化学推理绑定到显式分子状态,通过基于 Lean 的内核检查结构变换与属性声明,并借助交互式工具为模型提供逐步反馈。实验显示,经过全轨迹校正后,Qwen3.6-27B 在 12 类任务上均优于直接思维链。
阅读全文Agent4Sci 将前沿编码代理放进20个科学机器学习基准,考察它们能否在真实条件下改进已发表的最佳模型。结果显示,代理确实能带来性能提升,但主要依赖工程技巧,尚未稳定展现研究级领域洞察。
阅读全文一项来自加州大学圣塔芭芭拉分校的研究,尝试让多个具备不同研究背景的持久化AI代理协作发现新的线性注意力架构。结果显示,研究者多样性、私有记忆与自适应实验分配,可能同样重要。
阅读全文一项研究把科学想法生成从“单个答案打分”推进到“整组方案联合优化”。研究显示,经过集合级强化学习训练的8B模型,在兼顾质量与差异性的指标上表现突出。
阅读全文SciΠvot 用真实科研过程中的人类纠偏记录,测试 LLM 智能体在关键决策上的判断能力。结果显示,模型常常更偏向原始方案,而不是资深研究者修正后的方案。
阅读全文