上海AI实验室推出决策模型书生·明决，4B版七项评测平均90.02分
上海人工智能实验室推出决策模型书生·明决（Decision），含0.8B、2B、4B三档参数版本，将原生视觉感知与指令遵循结合，可在读取画面的同时输出结构化决策。
全部动态
按时间排列的全部内容。默认只显示通过双重评分的入选条目；切换到“全部收录”可以检索所有抓到的资料。
181 条收录动态，更新于 17:06
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
10月12日
星期一，1 条10月9日
星期五，4 条中科院团队提出 JANUS：用协同演化世界模型提升长周期自主科研效率
中科院计算所团队提出 JANUS 框架，用协同演化的世界模型把自主科研从生成-执行-反馈循环改为预测-验证-演化循环，在执行前对候选方案打分并剪枝。
Ai2 在 COLM 2026：从 Olmo Hybrid 到科研智能体 Asta 的开放研究
Ai2 在 COLM 2026 展示了 Olmo Hybrid 研究，该架构将注意力与线性循环层结合，在 MMLU 上以少 49% 训练 token 达到 Olmo 3 7B 的同等准确率，并已用于正在预训练的新一代 Olmo 混合专家模型。
腾讯混元联合复旦、清华发布 ExplorationBench，评测 AI 自主探索与规则发现能力
腾讯混元、复旦大学与清华大学的研究者发布 ExplorationBench，用于衡量 AI 系统自主探索规则的能力，并构建了规则可执行、答案可精确校验的 Alien Worlds 环境。该基准包含 AlienCode（31 处隐藏规则改动、70 个任务）和 AlienLogic（24 条修补后的推理规则、70 个定理），每个答案由解释器或证明检查器评分，不使用 LLM 评判。在 10 个前沿 AI 系统上的测试显示，获得反馈比单纯思考更有效，AlienCode 中最佳系统经四轮探测从不超过 15.7% 提升到 89.0%，而同样轮次无反馈仅 0.5–11.0%；同一系统在同一预算下得分可在 5.7% 到 79.0% 之间波动。论文见 arXiv:2609.30199，代码即将开放。
引用Tencent Hy@TencentHunyuanNew Research: We are releasing ExplorationBench, a benchmark for measuring how AI systems explore. Scientific discovery begins where known problems end: a system has to frame hypotheses, design experiments, and learn from the results. Evaluating this is hard. Genuinely new answers cannot be checked quickly, and in familiar domains a model can simply recall what it has seen. Addressing this challenge, researchers from Tencent Hy, Fudan University, and Tsinghua University built verifiable Alien Worlds. Their rules are executable, so every answer is checked exactly, and they conflict with familiar knowledge, so recall alone cannot solve the tasks. 🔹 Two sandboxes: AlienCode (31 hidden rule changes, 70 tasks) and AlienLogic (24 patched inference rules, 70 theorems) 🔹 A flawed manual, four rounds of self-designed probes, and closed-book tests after every round 🔹 Every answer graded by an interpreter or a proof checker, with no LLM judge What we found across 10 frontier AI systems: 1️⃣ Getting feedback is more effective than thinking alone. No AlienCode run starts above 15.7%; after four rounds the best reaches 89.0%, while the same turns without feedback stay at 0.5–11.0%. 2️⃣ Designing the experiments matters. Replaying a system's own best probes gives it exactly the same evidence, yet in AlienCode 9 of 10 systems do worse than when they chose the probes themselves. 3️⃣ Knowing a rule is not using it. Even when every required rule is stated correctly, tasks are solved only 73.4% of the time. 4️⃣ One score hides a lot. The same system under the same budget ended anywhere from 5.7% to 79.0%, and rankings barely transfer between the two worlds. CL-bench asked whether models can learn from context. ExplorationBench asks whether they can discover the rules themselves. 📄 Paper: https://arxiv.org/abs/2609.30199 🌐 Website & leaderboard: https://explorationbench.com 📝 Blog: https://explorationbench.com/blog/ 💻 Code (coming soon): https://github.com/Tencent-Hunyuan/ExplorationBench
入选理由腾讯混元联合复旦、清华发布可验证基准，用规则可执行的外星世界考察 AI 能否自主发现规则，而非依赖记忆。
OneSearch-VL：面向图像与视频的统一多模态深度研究智能体
arXiv 预印本提出 OneSearch-VL，一个以视觉锚定证据图 VGEG 为核心、统一处理单图、多图与视频深度研究的智能体，将视觉定位、外部检索与事实组合的依赖关系编码为任务级参照，用于数据构建、过程监督与操作级评测。
10月8日
星期四，1 条SAIL：面向文献研究与科学编程的35B开源科研智能体模型
研究团队发布 SAIL，一个总参数 35B、激活参数 3B 的开源模型，面向文献研究、科学编程和多步研究流程。该模型通过科学感知的改进循环开发：由前沿 AI 模型驱动的智能体分析其任务失败，并针对文献任务中的检索与证据选择、编程中的科学假设与推理、长流程研究中的规划与修订等能力缺口构造训练任务，再经监督微调、专项训练、多教师同策略蒸馏和智能体强化学习训练。
10月7日
星期三，1 条Ai2 的 Bolmo 字节级语言模型研究发表于 Nature，并开源新检查点
Ai2 宣布其 Bolmo 字节级语言模型研究已发表于 Nature，并在 Hugging Face 发布新检查点，把 byteifying 方法从 Olmo 扩展到其他模型家族。
入选理由Ai2 公开了把子词模型转换为字节级模型的 byteifying 流程与检查点，研究者可据此评估字节级路线能否替代固定词表方案。
10月6日
星期二，2 条Google 用地球 AI 人口动态基础模型 PDFM 支持全球公共卫生建模
Google 以 Earth AI 中的 Population Dynamics Foundation Model（PDFM）为概念验证，把搜索趋势、人口流动、建成环境密度和环境决定因素压缩为按月更新的位置嵌入，无需任务微调即可作为即插即用输入接入现有流行病学模型。
入选理由Google 公开 PDFM 位置嵌入在五类公共卫生任务中的合作评估结果，研究者可据此判断地理空间基础模型能否接入现有流行病学建模流程。
Gan Jiang：面向粉末 X 射线衍射的自学习科学代理
香港科技大学（广州）、伦敦大学学院等团队提出自学习衍射分析代理 Gan Jiang，它把分析经验写成可执行技能，通过诊断失败、修改技能指令与代码并在复用前验证，在不重训语言模型、不改物理模型的前提下改进分析流程。
10月5日
星期一，1 条MMPostTrainBench：面向多模态后训练的自主科研基准
中国科学技术大学与阿里巴巴等机构提出 MMPostTrainBench，在图像、音频、视频、音视频联合理解及图像相关软件修复共八项任务上评估自主科研代理的多模态后训练能力。
10月4日
星期日，1 条MechHypoBench：首个评测 AI 科学家从观测数据生成机制假设的基准
研究提出 MechHypoBench，用于评测 AI 智能体和 AI 科学家能否从实证数据生成机制假设。该基准结合来自 14 个科学领域的论文机制与含 1798 万条记录的真实数据集，保留经验数据的观测复杂性并给出已知的底层机制，智能体分析观测后提出开放式假设，评测框架通过被隐藏条件下的推论来评估这些假设。
10月2日
星期五，2 条Google 9 月 AI 更新汇总：Gemini 4 Argon、Gemini 3.8 Flash 与 WeatherNext 3
Google 回顾 9 月 AI 更新，发布最新前沿模型 Gemini 4 Argon，具备高级推理与 100 万 token 输出上限，正通过 Fairwind Program 向受信任网络安全防御方逐步开放。
Ai2 开源 AstaBrief 8B 报告生成模型并公开训练数据
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的模型，已在 Asta 的 Generate a report 功能中作为 Fast mode 上线，与 Claude 驱动的 Thinking mode 并列。
入选理由Ai2 公开了报告生成模型的权重、训练数据与本地部署工作流，研究者可据此评估自建文献综述流程的可行性。
10月1日
星期四，2 条Nature Machine Intelligence 报道 DeepEvidence：从知识检索转向证据探索与综合
Nature Machine Intelligence 刊文介绍 DeepEvidence，一个深度研究智能体，它不止于检索事实，而是构建科学证据的显式表示。文章指出生物医学发现已进入限制资源不再是数据、而是整合与解读证据能力的阶段。DOI 为 10.1038/s42256-026-01313-w。
Google DeepMind 发布 Gemini 4 Argon，输出上限提至 100 万 token
Google DeepMind 发布前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络防御方开放，随后逐步扩展到开发者、企业和消费者，起步价为每百万输入 token 2 美元、每百万输出 token 10 美元。
入选理由Gemini 4 Argon 把长程推理和百万级输出用于代码迁移、漏洞发现与科研优化，研究者可据此判断它在自身工作流中的位置。
9月30日
星期三，2 条Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质和结构加水印
Google DeepMind 推出 SynthID Bio，把水印嵌入 AI 生成的蛋白质序列和 3D 结构，并可在合成出的实体蛋白上验证，同时保持其生物功能。
入选理由Google DeepMind 把水印嵌入蛋白质序列与 AlphaFold 3 预测结构，为 DNA 合成筛查和数据库标注提供可验证信号。
腾讯混元联合复旦、清华发布 ExplorationBench，评测 AI 系统自主探索能力
腾讯混元与复旦大学、清华大学的研究者发布 ExplorationBench，用于测量 AI 系统在未知规则环境中自主探索的能力，论文见 arXiv:2609.30199。
9月29日
星期二，2 条微软研究院发布生物学 AI 研究系统 Quine，并开放 Quine Fellows 计划申请
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学世界模型和连接模型、科学工具、文献与研究者的交互式 harness 两部分组成。
入选理由微软研究院公开了面向生物学的多模态世界模型 Quine，并给出胰腺癌细胞状态预测经湿实验验证的案例，研究者可据此判断这类系统在实验设计中的可用边界。
AI Night-Scientist：用强化学习训练模型在科研构思中偏离常规推理
伊利诺伊大学厄巴纳-香槟分校与 Microsoft Research 的研究者提出 AI Night-Scientist，一个基于强化学习的智能体框架，把创造力拆成动作层（怎么做）、过程层（何时探索或利用）和结果层（想法的新颖性与有用性），用 GRPO 训练模型生成长期科研提案。
9月28日
星期一，1 条Nature Machine Intelligence 提出 GenFocal：用概率机器学习从气候模型评估区域气候风险
Nature Machine Intelligence 发表研究，提出名为 GenFocal 的生成式 AI 框架，用于气候降尺度，从粗分辨率气候预估生成逼真的精细尺度天气，并改进热浪、热带气旋等复合极端事件的区域风险评估。论文在线发表于 2026 年 9 月 28 日，DOI 为 10.1038/s42256-026-01308-7。
9月21日
星期一，2 条上海AI实验室发布开源科学基础大模型书生-S2，科学任务评测领先并即将接入书生·端砚平台
上海AI实验室在2026浦江创新论坛上发布书生多模态大模型S2（书生-S2），称其在知识、代码、智能体等通用能力上处于开源模型第一梯队，在Biology-Instructions。
入选理由上海AI实验室公开了书生-S2的权重与体验入口，并说明其可插拔专业记忆如何在不重训基座的情况下扩展学科能力，研究者可据此判断能否用于长程科研任务。
ScholarStack：面向科学智能体的分层研究资产编排与跨任务复用框架
ScholarSeed AI Team 在 arXiv 发布预印本，提出 ScholarStack 分层研究资产框架，把论文集合编译为三层可复用、带版本与溯源信息的资产：L1 源文献事实、L2 领域组织、L3 跨论文限定范围综述，并通过统一访问接口按任务返回所需证据粒度的知识视图。
9月16日
星期三，1 条上海AI实验室发布书生科学多模态大模型S2与物理世界模型W0，并开放书生·端砚全栈服务
上海AI实验室在2026浦江创新论坛人工智能赋能科学研究专题论坛上发布书生科学多模态大模型S2和书生物理世界模型W0，并开放书生·端砚科学发现平台全栈服务。
入选理由上海AI实验室把科学多模态模型、物理世界模型与端砚平台串成从假设到实验的闭环，研究者可据此判断哪些科研环节能交给AI。
9月15日
星期二，2 条Periodic Labs 发布材料分析模型 Periodic Neon，XRD 解析成功率 55.3%
Periodic Labs 用自家实验室数据训练出 Periodic Neon，在其内部最难评测集 FrontierXRD 上成功率为 55.3%，高于 GPT-6 Astra 和 Claude Fable 5.1，且单次分析成本更低。
入选理由材料给出自建 XRD 评测集与专家标注的一致性数据，研究者可据此判断实验室自训模型能否接手耗时的物相分析。
Periodic Labs 用自建高通量实验室数据训练万亿参数模型 Periodic Neon
Periodic Labs 介绍其自建高通量实验室与大规模物理模拟基础设施，并用实验室数据通过 midtraining 和强化学习训练出万亿参数模型 Periodic Neon，称其在衍射分析任务上表现优于 Claude Fable 5.1 和 GPT-6 Astra。
入选理由材料给出实验室自训科学模型在衍射分析上的定位与数据闭环思路，可供材料与自动化实验室方向的研究者参考。
8月23日
星期日，1 条OpenLAM 团队发布 DPA4 与 DPA4C 通用机器学习势，单卡可模拟 1405 万原子
OpenLAM 团队联合北京大学、DP Technology 和北京应用物理与计算数学研究所发布 DPA4 系列进展：DPA4 面向高精度路线，公开 OMat24 无机材料与 OMol25 复杂分子的预训练模型。
入选理由材料给出 DPA4C 在完整分子动力学基准上的吞吐与精度对比，材料计算研究者可据此判断它能否替代经验势做百纳米级模拟。
8月3日
星期一，1 条Qwen 发布 Qwen3.8-Max：2.4 万亿参数，主打长周期自主科研与工程任务
Qwen 团队发布 Qwen3.8-Max，称其为 Qwen 系列迄今最强模型，参数规模 2.4 万亿（95B 激活），已通过 QwenCloud 提供 API，权重将于下周在 Hugging Face 和 ModelScope 开源。
入选理由材料展示了模型在论文复现与改进、量化因子挖掘、芯片设计等长周期科研任务上的自主执行过程，研究者可据此判断其能否介入自己的实验与计算流程。
7月9日
星期四，1 条Biohub 联合创始人 Priscilla Chan 回顾年内进展：蛋白质模型、细胞成像与患者驱动科研
Biohub 联合创始人 Priscilla Chan 撰文回顾今年以来的工作，包括 5 月发布基于下一代 ESM 的蛋白质生物学世界模型，可预测蛋白质折叠、相互作用与功能并设计新蛋白，已有科学家用它设计抗体候选物并在针对癌症和免疫相关靶点的早期实验室测试中显示初步结果，相关论文发表于 Nature，模型完全开放。
入选理由Biohub 负责人梳理了蛋白质世界模型、激光相位板与虚拟细胞计划，研究者可据此了解这些开放工具和共享数据的参与方式。
7月7日
星期二，1 条字节跳动发布 EdgeBench 基准，测量智能体真实环境学习并提出新缩放规律
字节跳动 Seed 发布 EdgeBench，一个面向真实环境学习的超长时程基准，包含 134 项任务、覆盖科学问题与机器学习、系统与软件工程、专业知识工作、组合优化、形式数学与定理证明、交互游戏与模拟器六个领域，每项任务支持至少 12 小时连续运行。
入选理由字节跳动开源 51 项超长时程任务与评测框架，研究者可据此评估智能体在真实环境中持续学习的能力。
3月16日
星期一，1 条Edison Scientific 与 NVIDIA 合作推进 AI 科学家 Kosmos，并发布 BixBench-Hypothesis 基准
Edison Scientific 宣布与 NVIDIA 合作，将 NVIDIA NeMo 和 Nemotron 技术栈用于其 AI 科学家 Kosmos 的训练与开发。
入选理由Edison Scientific 与 NVIDIA 的合作细节和 BBH 基准，可供开发科研智能体的团队参考其训练与评测路径。