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。
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。
39 条入选报道，更新于 15:29
9月16日
星期三，1 条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。
3月10日
星期二，1 条alphaXiv 团队复盘 ArxivQA：如何为 arXiv 检索训练多跳检索智能体
alphaXiv 团队发布博客，介绍其面向 arXiv 多跳检索的智能体训练工作 ArxivQA，从 alphaXiv 助手的 100 多万条真实提问中采样约 200 条查询，人工标注最多 10 个 arXiv ID 作为标准答案，并以 Qwen3-8B 为基础模型后训练。
入选理由alphaXiv 团队公开了为 arXiv 检索训练智能体的完整流程与失败经验，对做科研检索产品的人有可迁移的方法参考。