Google DeepMind 发布 Gemini 4 Carbon,面向科研与智能体工作流
Google DeepMind 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,称其在网络安全和长程智能体工作流上具备前沿表现,并强调物理、数学和生命科学推理能力的提升。
入选理由原文列出 Carbon 在酶测定、蛋白同源序列检索和形式化验证中的具体用法,研究者可据此判断它适合承担哪类科研任务。
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。
17 条入选报道,更新于 00:17
Google DeepMind 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,称其在网络安全和长程智能体工作流上具备前沿表现,并强调物理、数学和生命科学推理能力的提升。
入选理由原文列出 Carbon 在酶测定、蛋白同源序列检索和形式化验证中的具体用法,研究者可据此判断它适合承担哪类科研任务。
姚期智团队联合杨植麟等发表署名论文《TCSEXAM:在TCS研究的全范围内评估前沿大型语言模型》,推出TCSExam评测,把定理证明、求解器工程、构造和开放猜想四类任务纳入同一考卷,由Lean内核等机器验算。
入选理由论文把理论计算机科学的定理证明、构造、求解器与开放猜想纳入统一评测,研究者可据此判断大模型在哪些数学任务上已能产出可机器核验的结果。
一项研究让 Claude Opus 4.8、Claude Opus 5、Claude Fable 5、Claude Opus 5.5、GPT-5.6 Sol、GPT-6 Astra。
入选理由这项基准用美国国家实验室研究者的开放问题检验九个智能体,显示自主科研的短板集中在自我核查与诚信环节。
Scientist World 提出一套多智能体流水线,把每篇论文复现为可执行、可评分的科研环境,AI科学家在其中按相对论文复现结果的改进幅度(FNI)计分,首批发布1000个经独立验证的环境。
入选理由论文把已发表论文改造成可执行、可评分的科研环境,并公开首批1000个环境与6400小时研究轨迹,研究者可据此判断AI科学家的评测与训练方式。
Anthropic 宣布其 AI for Science 计划从支持个人研究者扩展到科研基金会与研究机构,向 20 个科学基金会、研究机构和研究团队提供免费 Claude 额度。
入选理由Anthropic 把免费 Claude 额度从个人研究者扩展到资助机构和大型研究所,读者可据此判断哪些机构的研究者能获得 AI 资源。
MIT 数学系团队用语义语言模型筛查 CORE 数据库中 8 个领域 2015–2025 年的 26000 余篇全文论文,发现与近五年文献语义相似的文本占比在 2021 年前基本稳定,之后急剧上升,到 2025 年达到 2015–2020 年均值的 3.11 倍。
入选理由研究用固定规模对照样本衡量全文语义重复度,为编辑和审稿人判断论文文本原创性提供了一个可复用的测量思路。
OpenAI 于当地时间周一宣布在数学、计算机科学与物理学领域取得三项突破,并称将调整成果发布方式。数学方向称已在全部维度上证明挂谷猜想,AI 生成的推导内容直接放出交由学界解读;计算机科学方向称证伪指数时间假说,由 OpenAI 组建外部研究小组解读;物理学方向围绕量子色动力学与杨-米尔斯理论,暂不公开,交由外部专家团队决定发布形式。
入选理由三项成果的公开程度各不相同,研究者可据此判断核验门槛与参与空间在哪里。
Google 研究者提出面向大语言模型持续学习的 sleep 框架,让模型在活跃交互与离线巩固两个阶段之间交替,把短期上下文中的信息写入长期参数。离线阶段通过 MoE 参数扩展、知识蒸馏与强化学习模仿完成记忆巩固,再用随机专家激活生成合成样本进行自我改进。
入选理由Google 研究者提出让大模型在离线阶段巩固记忆的持续学习框架,并给出长上下文与推理基准上的对比结果,可供关注模型知识更新机制的研究者参考。
香港科技大学(广州)、西湖大学与中国科学院深圳先进技术研究院等团队合作提出蛋白质设计模型Pinal,相关研究发表于《自然》。模型以自然语言功能描述为输入,先生成蛋白质三维结构再设计氨基酸序列,训练数据含17亿组蛋白质—文本配对、覆盖约1.35亿条序列,参数规模160亿。
入选理由研究者可据此了解文字到功能蛋白的闭环如何做实验验证,以及模型在定量性质指定上的边界。
vLLM 团队发布 train-inference-consistency 技能与配套代码,让训练前向直接调用 vLLM 推理内核并改造高性能内核,使 rollout 与训练对每个采样 token 的 logprob 逐位相同(diff = 0)。
入选理由vLLM 团队公开了让训练与推理逐位一致的算子级配方和智能体技能,可迁移到新模型与低精度部署。
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。
New 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。
Biohub 与美国能源部(DOE)、美国国立卫生研究院(NIH)及新资助伙伴宣布扩展 Virtual Biology Initiative,合计投入 18 亿美元的资金、数据、算力和新测量技术,用于生成可训练预测性生物 AI 模型的开放数据资源。
入选理由这项近 20 亿美元的跨机构投入把开放生物数据的生成与标准化列为重点,研究者可据此判断未来可用的细胞数据资源从何而来。
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。
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。
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。
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。
Biohub 与 UC Berkeley 研究团队在三篇论文中报告,激光相位板在单激光和双激光(xLPP)两种配置下都能在现代冷冻电镜中显著提升小蛋白成像对比度。
入选理由Biohub 与 UC Berkeley 用三篇论文报告激光相位板在真实冷冻电镜中提升小蛋白成像对比度,并已开放断层扫描数据。