发生了什么：ASGCT 2026 会议摘要（12 位作者均为 Lila）报告：猴子单次 0.5 mg/kg 后，B 细胞在第 7 天前接近完全清除；小鼠 0.25 mg/kg 优于对照的 1.0 mg/kg，未见明显毒性。Lila 2026-08-28 的博客称该疗法优于领先的对照方案，三位科学家不到六个月完成，成本约为常规项目的十分之一。全部是临床前结果，由公司自报。
为什么重要：Lila 的两份来源说法不一致。用时：摘要说三个月，博客说不到六个月。第 14 天：摘要说 B 细胞回到基线约 50%，博客说清除一直维持。对照：摘要说回到基线，博客说超过基线。两份都没点名对照方案，也没给动物数量或统计，所以“优于领先疗法”这一说法目前无法核对。
发生了什么：优惠使用计划从生物学扩展到数学等更多领域。
为什么重要：前沿模型正在成为科研基础设施，其获取与分配开始面对和算力、数据、仪器相似的问题。
发生了什么：Model Hardware Standard 提议为仪器控制、状态、测量与错误建立共享接口层。在 Genentech 的概念验证中，Claude 通过它操作液体处理工作站、机械臂和酶标仪，并对照专家的移液结果调出了移液流速。
为什么重要：统一接口有望把一次性的仪器接入变成可复用基础设施，这是自主实验室走向规模化的前提。
发生了什么：这一面向执行的扩展把 Gemini 智能体接入真实实验，包括二维材料的 CVD 流程和生物学预测的湿实验验证。
为什么重要：关键变化是从计算机内提出假设，走向根据实验室约束、实际执行与经验反馈调整研究计划。
发生了什么：Tetsuwan 通过 Anthropic 的 Model Hardware Standard 操作 Opentrons Flex 移液机器人和 Byonoy 酶标仪，由 Claude 提出一批批染料示踪实验，共测了 1508 种条件。在留出的实验批次上，学到的模型在 45 批中的 33 批胜过厂商规格表，精度预测好约 12%（符号检验 p 约 0.003），在重复次数最多的数据上约 17%。约三分之一的波动原来来自板边蒸发。
为什么重要：实验机器人知道自己的误差，才能排出科学家信得过的实验流程，而这正是云实验室卖的东西。提升幅度不大，只在公司自己实验室的一台机器人上、用一种示踪染料测得，发表在博客里；公司也说，原本预期的效应大多没有出现。
发生了什么：三个靶点各合成 13 个化合物，每一轮的实测结果，包括失败的，都回到一个结构引导的三维生成模型的奖励里。ROR1 上三轮把口服生物利用度从 3.51% 提到 35.64%，约十倍，活性未降；NLRP3 上抑制肝酶 CYP2C19 所需的浓度升高 20 倍，从 1.59 到 30 微摩尔；NSD3 上一个苗头化合物结合力强约 18 倍。回溯检验六个任务，REINVENT4 没找回任何已知活性类似物，RCDO 每个骨架都至少找回一个。
为什么重要：生成模型通常只提一次分子，再看这份清单好不好。这个模型在每一轮合成与检测之后重建，而它学习的那些轮次，正是药物化学团队本来就要做的，于是活性或成药性上失败的化合物成了训练信号，而不是浪费。望石智慧向药企卖分子设计软件，报告里的这些项目也正是客户在做的事。
证据与边界：每个项目都是作者自己做的，没有外部团队重复，也没有一组化学家在同一系列上不用模型做对照；增益是与母体化合物相比，论文也没有给出省了多少时间的数字。摘要说口服暴露提高 40 倍，正文中没有，正文给的是生物利用度约十倍，暴露数据留在未读的补充表里。代码称这篇预印本被接收后公开。
发生了什么：咨询公司 Technopolis 和鲁汶大学的 Diogo Machado 把奥地利科学基金会（FWF）2021 年四个学科的 139 份单一学科申请交给 GPT-4o，同领域内两两比较，只问该资助哪一份。每个领域资助与 FWF 相同的数量（共 51 份），模型与人的决定有 87 份一致。评审打分的四项标准里，只有新颖性能预测分歧（优势比 4.80），且方向一致：越新颖的申请，越可能是人资助而模型没选。
为什么重要：资助机构开始在基金评审里试用 AI：UKRI 表示将把 AI 的评估与以往的资助决定对比，一个由 EPSRC 资助的研究网络已让模型在无人阅读前淘汰申请。这里整体一致率看起来还可以，分歧却集中在评审认为最新颖的申请上，所以只看与以往决定是否一致，不足以检验。Machado 认为，AI 辅助评审还应当用获资助项目后来的产出来检验。
证据与边界：只有一家资助机构、一个年份、一个温度设为零的模型，提示词只问资助哪一份，没有给出 FWF 的评审标准。论文自己说样本小，没有试过别的提示词或配对方式，也没有查明模型为何不同。新颖性用的是 FWF 评审给的分。
发生了什么：约 90 人的团队于 9 月初转入 Google Global Affairs，职责覆盖前沿模型风险、CBRN 能力评估、用户行为与聊天机器人心理影响。
为什么重要：这不是裁员，而是一项治理实验：把前沿风险研究移近政策部门，会加强协调还是削弱独立性？Google 表示任务、人员、算力与 DeepMind 访问权保留。
发生了什么：Edison Scientific 的这个基准给智能体一项研究的研究问题、写明的分析方案和原始数据，再把它产出的 138 个结果（如差异表达表）与原研究报告的结果逐一比对打分。原始数据超过 100 GB 时，得分从 0.36 降到 0.10；需要三步及以上时，从 0.36 降到 0.24。每个任务平均耗时 6.8 小时、花费 43 美元；得分最高的并不是花钱最多的。
为什么重要：它衡量的是智能体能否从原始数据做完一整项研究的分析，并指出智能体在哪里失手：数据量大、步骤链长。智能体执行的是事先规定的流程，并不自己选择做哪些分析；分数是拿已发表结果给模型排名，只覆盖 20 项研究，基准是公司自己做的。
发生了什么：General Catalyst 领投，Lux Capital、Breakout Ventures、Factory、Neo、SV Angel、MVP Ventures、Underscore VC 和 Lyda Hill 参投。CEO Anna Marie Wagner 曾在 Ginkgo Bioworks 负责 AI 与企业发展；首席创新官 Renee Wegrzyn 是 ARPA-H 的首任主任。这家位于马萨诸塞州剑桥的公司在实验室里装传感器、用多模态模型，记录科学家的操作、实验条件和仪器读数，并自建湿实验室生产训练数据。General Catalyst CEO Hemant Taneja 代表领投方发言；Kevin Weil 和 David Baker 是具名顾问。
为什么重要：它押的是：AI 和实验室机器人缺的不是更多论文，而是实验里没写下来的那部分，也就是只在某个人手上才做得成的步骤。新闻稿说 Transfyr 已在为最大的几家前沿 AI 实验室做评测，但没点名，也没有展示任何模型或可测的改进。值得记的是人：美国政府健康领域登月式机构的首任主任，如今在做实验数据基础设施，OpenAI 前科学负责人是顾问。
发生了什么：Yang Jeong Park、Elsa Olivetti、Ju Li 等人把 Materials Project 的 12.6 万种晶体，与 GPT 模型依据每种晶体的计算性质写出的描述配对，训练晶体编码器和文本编码器让两者对上。用一句话描述想要的性质，模型返回的晶体，其计算值会随要求变化；改用 400 万篇论文里的句子训练，检索结果与随机相当。多选测试里，它识别成分的准确率为 95.4%，识别晶系只有 34.0%，与小型纯文本模型持平。
为什么重要：用一句话检索材料，需要和结构绑在一起的文本，而文献给不了：这里的论文文本只覆盖约 400 种化合物，对比 12.6 万种，文字和具体结构的对应也很松。按计算性质来写文本，针对的正是这两个问题，这是论文主张用合成数据而不是更多论文的理由。在固态锂电解质的检索里，前 30 名包括两种其他研究已经看好的化合物：Li6PClO5 和 Li4SiO4。
证据与边界：全部是计算：描述依据 Materials Project 的计算性质写成，检索也用同一批数值打分。描述里没有离子电导率，所以电解质检索只按带隙，前 30 名里有四种计算带隙为零。论文原句对照组取自 400 万篇论文，因版权不能公开，别人要重跑需自己向出版商取得授权。没有合成或测量任何晶体。
发生了什么：在六个领域的 97 项任务中，较高的局部得分往往不能转化为完整工作流的完成。
为什么重要：结果提醒我们不能把局部流畅当成完成：有用的科研智能体必须把整条工作流真正做完。
发生了什么：Anthropic 的 Levent Alpöge 与密码学家 Ava Howell 用一款未发布的内部 Claude 模型，构造出秩至少 30、三天后又至少 31 的椭圆曲线。下界无条件，确切秩数依赖 GRH 与 BSD。
为什么重要：上一次跃升，从秩 28 到 29，用了 18 年；这一次只用了三天。但披露很薄：没有论文，没有说明搜索过程，功劳只写在榜单评论里。
发生了什么：OB0 基于截至 2025 年 6 月的 PDB 数据训练，以 Apache 2.0 开放，在标准基准上与 AlphaFold3、Protenix 相当；但 top-25 成功率从 EV-A71 的 92.2% 跌到柔性 RdRp 靶点的个位数。
为什么重要：明显提升只出现在新结构填补陌生区域的地方：数据的价值取决于它填补哪块空白，而不是规模。这是 OpenBind 自己的评测。
发生了什么：微软研究院 AI for Science 的 Adam Foster、Frank Noé、Jan Hermann 等人用 22,350 个小分子平衡与拉伸结构预训练一个波函数模型，再在没见过的分子上微调，代码和权重公开。此前预训练的神经网络量子蒙特卡洛最多覆盖 700 个结构。它算的 Diels-Alder 活化能与实验之差在化学精度（1 kcal/mol）内；在五条最多 48 个电子的断键曲线上，成本与精度不输或优于经典方法。
为什么重要：许多化学反应和过渡金属化学都涉及断键，标准量子化学方法在这里会失效，能用的方法又贵，还要专家逐个体系调参。预训练把这笔成本分摊到许多分子上：一次拟合整条 20 个点的曲线，比逐点计算便宜约 20 倍；对乙烷，预训练让达到化学精度的成本降到 1/16。作者设想大规模使用时，用它为更便宜的反应力场生成训练数据。
证据与边界：所有结果都是作者自己的计算。只有 Diels-Alder 反应能量、N2 解离和小分子原子化能对照了实验；五条断键曲线的参照是作者自己用高成本跑出的计算。分子离训练集越远，收益越小：对 L-丙氨酸，预训练只让达到 1 kcal/mol 的速度快了约 10%。
发生了什么：SAPP 在 48 小时周期内完成数百个设计的表达、纯化与表征，人工操作约六小时；DMX 从廉价的混合 DNA 中找回单个构建体，DNA 成本估计降低 5 到 8 倍。
为什么重要：蛋白设计的瓶颈已从生成候选转向制备与测量。它目前仍是 IPD 内部的筛选流程，不是闭环。
发生了什么：S:CORT 数据集作为首个英国队列加入 Bioptimus 的 STELA 数据项目，每位患者含影像、基因组、转录组和临床数据。未披露财务条款。
为什么重要：这类模型公司的优势在于手里有能训练、也能拿来测试的患者数据。Bioptimus 说 S:CORT 将用作评测基准，但没有公布结果。
发生了什么：INTerpath-001（1,137 名黑色素瘤患者）预设期中分析显示，intismeran 联合 KEYTRUDA 的无复发生存与无远处转移生存均优于 KEYTRUDA 单药。目前只公布了顶线结果。
为什么重要：算法只能作为试验所检验的整套系统的一部分获得认可；风险比尚未公布，总生存期数据也还不成熟。
发生了什么：AIntibody 仿照结构预测竞赛 CASP，收到 29 家机构在三项任务上的提交：从一期测序结果提高亲和力、在三个序列簇内挑出结合最强的抗体、为文库外的序列设计新可变环。外部实验室把每个抗体做出来测量：全部做表面等离子共振，最强的再用更慢的 KinExA，另有五项检测看能否做成药。少数提交物低于 100 皮摩尔，而其中一个序列簇自带的对照抗体已是 36.6 皮摩尔。
为什么重要：AI 的收益出现在有数据可学的地方。在文库之内改进抗体上，提交物表现不错：第一名 Aureka 做到 95 皮摩尔，约为母本抗体的 2000 倍，不过与实验室自己做出的最佳抗体在统计上打平，而一条不用机器学习、靠共识序列得出的提交排在第三。在决定该测哪个克隆上，除一种方法外全都输给随机抽取。为文库之外的序列做的设计里，168 个中有 51 个完全不结合。
证据与边界：只有一场挑战、一个靶点、一套检测。评分规则允许高亲和力抵消生物物理上的失败：文库之外结合最强的那个设计达到 2.9 皮摩尔，却没通过疏水色谱检测。盲测靠的是主办方自身的操守，而不是数据上的任何校验，作者说下一轮会补上。参赛要求公开所用方法，作者认为这挡住了一些团队。
发生了什么：Generalist AI 称，GEN-1.5 是一个机器人模型，读入 30 秒的视频和传感器数据，每秒输出 100 次手臂动作。给它看一段 3 到 12 秒的新任务示范，它不再训练就能照做。在 10 个短任务上（拉开笔袋拉链、拧开玻璃罐盖），这样做的成功率为 59%；用 5 分钟示范数据再训练 10 步后为 83%。它的预训练数据是在家庭、仓库和工厂里记录的人类活动。
为什么重要：自动化实验室需要能很快换到新实验步骤的机器人，而现在每个新任务都要先采数据、再训练。如果给机器人看一次示范就能起步，把机器人换到新流程就只需录一段这个步骤，而不必重新采数据、再训练。这是公司九个月里的第三个模型，此前是 2025 年 11 月的 GEN-0 和 2026 年 4 月的 GEN-1。
证据与边界：所有数字都来自公司自己的博客文章，没有论文、代码或模型权重。文章没有说明每个任务试了多少次；任务都是公司自己称为简单的短时家务操作，没有一项是实验室工作。59% 在各任务之间有 10 个百分点的标准差。
发生了什么：Network Bio 由首席执行官 Asad Ali Ahmad、Raphael Potter 和 Hani Goodarzi 联合创办，把麻省总医院布莱根、宾大、科罗拉多大学安舒茨等医疗中心的样本库按统一标准连起来，用组织、配对血样、分子数据和患者此后的结局训练疾病模型。投资方有 Section 32、Thiel Bio、Founders Fund、Breyer Capital、Blue Venture Fund 和 JSL Health Capital，未写领投方和轮次。它还与一家未具名的《财富》100 强医疗企业达成逾 3000 万美元的合作。
为什么重要：带有病程结局记录的患者组织，正是多数疾病 AI 模型缺少的训练数据，因为单家医院某种疾病的样本太少。Network Bio 押注的是：多家样本库按同一标准处理后，可以补上这部分数据。Section 32 的 Mike Pellini（兼任董事会主席）和 Breyer Capital 的 Morgan Cheatham 代表投资方发言；生成的数据会回到合作医院，也交给付费客户。
证据与边界：5000 万美元、投资方名单和 3000 万美元的合作都出自公司自己的公告；合作方未具名，除金额外没有其他条款。公司称其模型已能在没训练过的疾病里找到信号；它引用的已发表研究针对的是血液中的游离 RNA，而不是新的组织样本网络。
发生了什么：外部湿实验合作方在模型辅助设计流程中验证了 15 个靶点中的 14 个。
为什么重要：外部湿实验让它不只是模型演示，也开始检验通用系统能否进入专业蛋白设计流程。
发生了什么：当智能体必须自行选择研究方法，而不是遵循规定步骤时，平均表现大幅下降。
为什么重要：它分离出科学智能体的核心弱点：执行方法相对容易，选择正确方法并判断何时改道更难。
发生了什么：173 位博士专家出题，每题配评分细则，由 GPT-5.5 评分。五个模型里，GPT-Rosalind 得分 0.576、通过率 36.1%，Grok 4.3 通过率 13.0%。171 道题（22.8%）没有任何模型通过。
为什么重要：一道远未饱和的生命科学判断力难题。但出题、最强模型和评分员 GPT-5.5 都出自 OpenAI；只测单轮回答，任务能否公开尚不确定。
发生了什么：ENV-308 由 Enveda 的 PRISM 模型发现，模拟人体在剧烈运动时释放的分子 Lac-Phe。公司称在 1 期试验中，各剂量组均未出现严重不良事件、停药或剂量中断，循环瘦素水平下降，基线最高者降幅最大；但没有给出瘦素数字。由创始人兼 CEO Viswa Colluru 领导的 Enveda 计划在停用 GLP-1 药物的人群中开展 2 期。
为什么重要：Enveda 又一个用其 AI 模型找到的药物进入人体，试验只说明它安全到可以继续测试。瘦素是探索性指标且没有数字，体重方面的说法来自动物实验，这次读出是公司公告，不是论文。
发生了什么：公司称 AIDO Cell 是多尺度、有状态的：可以在某一层面扰动细胞，之后的扰动建立在之前的基础上。预览版覆盖 K562 和 HepG2 两种细胞系，一项初步研究模拟了伊马替尼在白血病细胞里的作用。联合创始人 David Baker 说细胞生物学还没有被解决；联合创始人 Eric Xing 称这只是预览版，之后会开放早期使用并推出更准确的版本。
为什么重要：虚拟细胞正是药物发现一直在要的那种模型，而这一个出自围绕一位诺贝尔奖得主创立的公司。目前公开的只有一段描述和一个定性例子：没有准确度数字，没有与其他模型的比较，也没有前瞻性实验。现在能说的是这个系统存在，不是它的预测可靠。
证据与边界：所有内容都来自 GenBio 自己的发布稿，由 SynBioBeta 转载；genbio.ai 返回 403，也没有找到论文或技术报告。伊马替尼的例子只有描述，没有数据。
发生了什么：一个掩码扩散模型在序列空间里生成并编辑多类分子；加入树搜索后，多肽化学有效率从 0.77 升至 0.98。完整 PROTAC 生成的有效率仍只有约 25%。
为什么重要：对智能体而言，调用便宜、可编辑可能和单次准确率同样重要；但证据只停留在计算层面，训练配方也未完整披露。
发生了什么：Lanyon AI 称已完成 1060 万美元首轮融资，由 Dimension 领投，Industrious Ventures 参与；公司自己的博客另提到天使投资人 Siqi Chen。联合创始人 Jonathan Gorard、Ammar Hakim 和 Jimmy Juno 来自普林斯顿大学及其等离子体物理实验室。它的智能体先让模型提出形式化规格，再由符号程序同时生成求解器代码和证明。首批目标行业是航空航天、推进和核能。
为什么重要：Dimension 的合伙人说，逐词预测的结果是“大体正确”，达不到飞控和核系统的标准，这就是这笔钱下的注。风险资本在支持一个从学术界的等离子体物理和形式化方法出来办公司的团队，瞄准的是出错有代价的仿真。这几位创始人值得关注。
证据与边界：融资信息来自公司自己：新闻稿没有估值，博客把交割定在 7 月。关于 Lanyon “构造即正确”、成本远低于前沿模型的说法，依据是公司自己的基准测试笔记，没有外部团队复现；公司自己也说，让规格与用户意图一致仍是未解决的问题。
发生了什么：27B 的 Faraday 调用前沿 coding agent 作为工具；按团队自建的 judge，它在 73% 的训练集任务和 60% 的留出任务上得分高于 Claude Opus 4.8 与 GPT-5.5。
为什么重要：它把科学判断与执行分开：小模型决定试什么，大模型负责写代码。
发生了什么：首轮由 Granite Asia 独家投资，后续轮次由一家未具名的产业投资人领投，弘晖基金跟投，老股东启明创投、经纬创投和纽尔利资本继续投资。公司由创始人兼首席执行官赵伟安（Weian Zhao）领导，称资金用于训练继 AuraIDE 之后的下一代生物基座模型，并升级把实验结果回流训练的 Lab-in-the-Loop 筛选平台。Granite Asia 的邝英挥代表机构发言。估值未披露。
为什么重要：投资人买的是这样一个判断：抗体模型要继续变强，需要自家实验室给它喂数据。公司称已与多家药企合作，过去两年实现千万美元级收入，开源模型 OpenDDE 在第三方评测中排名靠前；但它没有点名合作方，也没有给出任何药物。
发生了什么：一款尚未发布的 Claude 研究模型，将黎曼 ζ 函数临界线上零点比例的已知下界从 41.6% 提高到 67.2%，并给出可形式化检查的证明。
为什么重要：与奥赛成绩不同，这是一项在探索未解决问题时产生的新数学结果，但并不等于解决黎曼猜想本身。
发生了什么：领投这轮的 Lightspeed 合伙人 Hemant Mohapatra 和联合创始人 Advaith Sridhar 接受了 TechCrunch 采访。Y Combinator、Peak XV Partners 以及天使投资人 Paul Graham、Gokul Rajaram、Thariq Shihipar 也参与。Sridhar 和斯坦福材料学博士 Akash Ramdas 用自建框架调用 Anthropic 模型提出候选材料，再用自己训练的物理模型筛选。估值未披露。
为什么重要：又一笔押注：智能体找材料能比博士生一天 20 个猜想快得多，这家瞄准的是 AI 芯片的散热。公司称已找到性能比得上芯片厂在用材料的新材料，但没有给出细节；它自己的领投方也说，瓶颈在筛对候选并把材料做出来，而不是找候选。
发生了什么：Radical AI 称普渡在 2500 摄氏度以上对 RAI-939 和 C103 做火焰对比，环境耐受高 125 倍。该合金出自 16 周内制成的 300 多种材料。
为什么重要：外部实验室测试了一个具名合金。一个样品一分钟的火焰不等于飞行规格，我们也没读到普渡自己的报告。
发生了什么：Nature 论文报告其气旋路径、强度与风场结构预报达到领先水平，平均获得至少一天的提前量，并可生成最多 1000 个集合成员。
为什么重要：这是少见的强 AI4S 证据：模型既与成熟业务系统比较，预报结果也会持续接受真实天气检验。
发生了什么：Nature 报道案例、一项公司审计和三篇预印本：AI 预测让 75 年前化学数据库的一个数值被证实有误；某核验工具所标错误经论文作者复核，83.2% 属实。
为什么重要：核验也在成为 AI4S 的基础设施，但这些只是线索，不是结论：在 2025 年一个勘误级错误基准上，最好的模型最多找出 21.1%，精确率 6.1%。
发生了什么：Dean 与 Sanjay Ghemawat、Quoc Le、Oriol Vinyals 成立公益公司，目标是自动化科学与工程循环。
为什么重要：这次人才流动把稀缺的系统、模型与科学能力集中到一家以闭合发现循环为目标的独立公司。
发生了什么：Koray Kavukcuoglu 接手 Google DeepMind 的运营领导，Hassabis 转向更长期的科学方向。
为什么重要：它之所以重要，是因为这家创造多项 AI4S 里程碑的实验室，正把长期科学方向与日常经营权拆开。
发生了什么：巴斯夫环境催化与金属解决方案部门（BASF ECMS）将把 CurieOS 用在汽车尾气催化剂的发现与开发上；CurieOS 是 Orbital Industries 围绕自家 Orb 模拟模型搭的智能体平台。公司称自己正是用这同一套平台，找到了为其数据中心品牌开发的无 PFAS 冷却液。其首席执行官 Jonathan Godwin、首席技术官 James Gin-Pollock 与巴斯夫该部门高级副总裁兼首席技术官 Saeed Alerasool 都在公告中发言。金额、期限和目标均未披露。
为什么重要：此前本站记录里，Orbital Industries 只把这套平台用在自家产品上。一家催化剂厂商获授权使用它，与基准分数是两种不同的证据：它说明有工业买家认为值得一试。公告里的性能说法（单张 GPU 模拟 10 万原子、比最接近的模型快十倍）引用的都是本站已收录的 Orb-v3 预印本，所以模型本身没有新东西，这笔合作也还没有产出任何催化剂。
发生了什么：公司的 Edson N. Cárcamo Noriega、Chris Bahl 等人设计了一种蛋白酶：加上一段长而柔软的连接片段，让酶能够在蛋白仍然挂在纯化磁珠上时把它切下来。围绕它，他们搭了一套适合移液机器人的五步流程。95 个差异很大的天然蛋白加 1 个 GFP 对照中，87 个从 2 毫升培养液得到 100 微克以上、纯度 90% 以上的蛋白。质粒、蛋白集、脚本和数据都已公开。
为什么重要：AI 能提出的蛋白设计，已经远多于实验室能制备和测量的数量，瓶颈移到了制备环节。一家以设计微型蛋白为业务的公司，公开了自己流程中负责把它们做出来的部分：质粒放在 Addgene，机器人脚本放在 GitHub，其他实验室可以用同样的速度制备和测试设计，并补充共享的训练数据。
证据与边界：测试集都是已知能在大肠杆菌里表达、单结构域、不含二硫键的天然蛋白，没有一个是设计出来的；有些蛋白要先加两个氨基酸的间隔才能被切下。所有工作都是公司自己做的。代码和数据只许非商业使用。
发生了什么：上海 AI 实验室在通用文档解析后串接五个模块：相关性筛选、结构检测、编号、结构识别与反应图解析，并公开部署；每条记录可回溯原页面。
为什么重要：PDF 解析完成后，化学内容仍只是像素。亮眼的数字都是单模块结果，整篇文档的准确率没有报告。
发生了什么：Multiply Labs、与该公司签有合作协议的斯坦福细胞与基因治疗生产实验室（LCGM），以及来自米兰大学和几家仪器厂商的合作者，让一套模块化机器人集群与人工在同样的仪器上对比。CTS Rotea 换液这一步，人工回收率 83%-95%，机器人 81%-133%；活率人工高于 93%，机器人 83%-97%，差异不显著，每侧三到四次运行。CytoSinct 1000 上的 T 细胞磁分选结果相当但离散更大，人工五次、机器人六次。
为什么重要：自体细胞治疗至今仍是人工一人一批地做，成本正是它只能惠及少数人的原因。决定机器人能否接手一条已验证流程的问题是：同一台仪器换成机器操作，数据还一样吗？在这些步骤上大体一样。大体：低浓度下机器人的计数显著低于操作员（5.63 对 5.91 × 10^5 个/mL），CytoSinct 要把洗脱步骤加长才行，袋对袋转移只有机器人做过，产品的表型和功能不在本文范围内。作者称这是研发原型。
发生了什么：Lanyon 让 Kimi K3、Claude Opus 4.8、Claude Fable 5、GPT-5.5 和 GPT-5.6 Sol 用 C 写有限体积求解器并附 Lean 证明，平流、麦克斯韦、Burgers 和二维欧拉四项各跑三次。线性方程里，详细提示下跑完的全被判为忠实；简略提示下，有的只证明了退化特例，有的用 native_decide 绕过检查。二维欧拉里，15 次详细提示运行有 5 次给出完全错误的求解器。Lanyon 自己的求解器耗时 7 到 23 秒，输出 600 到 2940 个词元。
为什么重要：这个测试针对的是一种常见失败：证明能通过类型检查，说的却是另一段代码。简略提示下，两个 Claude 模型对自己写的二阶求解器，证明的是一阶、CFL=1 的特例；GPT 和 Kimi 的部分运行用 native_decide 跳过内核检查。它显示了把证明和代码对照能抓到什么，也显示了提示词对结果的影响有多大。
证据与边界：提示词、评分标准和打分都由 Lanyon 自己定，模型也由它选；它自己的求解器每项只有一次参考运行，词元按自家 DSL 计。没有外部团队跑过这个基准。Lean 文件已公开，没有 sorry 或 native_decide，但证明针对实数，C 代码用 double。其中双曲性和波速稳定性定理是同义反复：波速估计与特征值表达式逐字相同，也没有定理把它们和雅可比矩阵联系起来。
发生了什么：Owkin 与伯明翰、帕尔马和巴黎的心脏科医生合作，由百时美施贵宝资助，自动分割 260 名尚无症状患者存档超声视频中的心腔，训练模型预测症状加重或因心脏病住院。模型在 212 名英国患者上 C 指数为 0.66，在 48 名西班牙患者上为 0.67。模型指向的简单比值（左心房与左心室面积之比）得分 0.67 和 0.72；在西班牙患者中，高于界值者三年内 21% 加重，低于界值者为 12%。
为什么重要：论文说，心脏超声能多准地预测这种遗传性心肌肥厚的无症状患者中谁会加重，此前还不清楚；作者把这一结果看作在早期更好地管理这类患者的一种办法。模型指向一个简单比值，流程能从医院本来就会录的标准超声切面上自动量出，比一个黑箱评分更容易核对。
证据与边界：作者自己说这是回顾性、探索性的分析：没有预先设定，外部检验只有 48 名患者（C 指数区间 0.46 至 0.88），两个队列都在欧洲，由建模团队自己评估。作者说界值用于医生手工测量的数值前可能需要重新校准。