时间线

发生了什么：Google 发布 TPU 8i Max 和 TPU 8tx。前者把两颗 TPU 8i 芯片封进一个封装，同样机架空间内算力、片上内存和内存带宽各翻一倍；后者用 TPU 8t 的芯片配 AMD EPYC 主机，让数据和模型权重在运算时也受保护、相互隔离。加上 4 月发布的训练芯片 TPU 8t 和推理芯片 TPU 8i，一年共四款。Google 的 AI 与基础设施首席技术专家 Amin Vahdat 称，TPU 已有近 100 家客户，其中包括大学。

为什么重要：两款都不是新芯片：8i Max 是把两颗现有的 8i 封在一起，8tx 用的是 8t 的芯片。Google 说这正是用意：做一款新系统要几个月，新芯片要几年，所以新配置能跟着客户要什么走。这改变两件事。能买到什么：一年四款系统，其中一款用于在私有数据上微调，数据在芯片运算时也受保护。芯片设计：Google 称 AI 已用在自家硬件上，TPU 设计用 AlphaChip，Gemini 做版图，从几周缩到几小时。

证据与边界：所有数字都是 Google 自己的，对比的是它自己的其他 TPU，没有独立基准测试。文章没有给出两款新系统的绝对规格、价格或上市时间，没有点名任何科研客户，也没有展示 AI 做出的版图实例。

发生了什么：Claude Fable 5.2 和做电路板设计与制造的 Diode Computers 一起，要设计三台设备：USB 免持电话、语音助手中枢和手持电子宠物。只给了很短的提示，它写出规格书和原理图，在每块板上摆好元件、走完铜线，用 CAD 建了可 3D 打印的外壳模型，写了固件，列出物料清单。Diode 照这些文件直接制板，三台样机的电路都不用返修就跑起来了。在 Diode 自己的 PCB Gym 上它得 69%，Fable 5 得 25%。

为什么重要：模型碰到硬件，通常止于芯片设计或一个基准分数。这一次它交出的是工厂据以制板的文件，检验标准是板子能不能工作。实验室要一块定制的传感器板或仪器控制板时，布局、走线和可制造性检查就是设计与可用设备之间那几周电子工程师的工时；以此为业的 Diode 说，拿到 Claude 给的文件，不必像平常那样来回改几轮。

证据与边界：这是 Anthropic 和有商业关系的 Diode 自己发的文章，PCB Gym 也是 Diode 自己未公开的基准；这里引的分数比的是更早的 Claude。三台都是样机：没有做电气验证、天线调试、热测试或认证，也都不是按量产设计的。Claude 没有连到任何测试设备或产线机器，样机由 Diode 的工程师动手制作和测试；提示很少，但不是没有。

发生了什么：Mathew Chow 和 Tao E. Li 让一个智能体（OpenAI 的 GPT-5.6-sol）在训练算例上提出代码修改，另一个按速度和精度在另一组算例上决定接受或拒绝。十个分子上 PySCF 激发态（TDDFT）那一步耗时减少 84% 至 94%，能量几乎不变；基态计算是另一项工作，减少 5% 至 28%。LAMMPS 水模拟耗时减少 19% 至 22%，轨迹一致；一个串行分子动力学程序改成 CPU 和 GPU 并行版，快了两到三个数量级。

为什么重要：作者指出，计算化学研究者常常自己写程序，第一版通常是串行的；把它提速是要专门技能的活，会占用做科学的时间。这里每一处修改都要在第一个智能体没见过的算例上通过第二个智能体的检查，输出也和原代码对比过。TDDFT 上的提速来自算法本身，而不只是底层调优：一个分子上求解器的迭代从 45 次降到 9 次。代码更快，同样的算力就能跑更多模拟。

证据与边界：这是一个实验室的预印本，由作者自己评估。同一个模型重复运行，最终得分不同；LAMMPS 的提速在控压模拟里不成立，其中一部分反而变慢；GPU 代码没有按要求用混合精度；智能体搭出的 SCF 策略也不能稳定地得到最低能量或最短时间。论文没有说任何修改已合入 LAMMPS 或 PySCF。这项工作得到 OpenAI 学术研究者计划的支持。

作者 Mathew Chow、Tao E. Li

发生了什么：Cancer Grand Challenges 由英国癌症研究会（Cancer Research UK）和美国国家癌症研究所于 2020 年发起。它向哈佛医学院 Marinka Zitnik 的团队拨款近 700 万美元，开发 AURORA：一个能读文献和数据库、调用 AlphaFold 等工具、提出假设和实验的智能体。三支团队各获约 130 万美元来使用它：PROMINENT 研究为什么有些带突变的细胞会癌变，NexTGen 研究用于儿童实体瘤的 CAR-T，MATCHMAKERS 研究 T 细胞如何识别癌细胞。

为什么重要：这是科研资助方出钱，让外部团队把 AI 共同科学家放进已经在做的研究里，而且评估写进了资助本身：团队在实验室检验它提出的假设，哈佛再把系统的推理记录和实验结果对照，由此能看出它的建议有多少能被实验证实。哈佛说，这是 Cancer Grand Challenges 第一个 AI 项目，也是第一个横跨多支受资助团队的项目。

证据与边界：目前还什么都没测：项目 11 月 5 日才启动，两份发布都没有给出结束日期、成功标准，也没说对照结果会不会公开。两份都没有说 AURORA 用的是哪些语言模型。金额上，哈佛写的是近 700 万美元，另加给三支团队的 400 万美元；英国癌症研究会写的是项目共 800 万英镑。

发生了什么：OpenAI 与酶设计初创公司 Ligo 发布 BioBasicsBench：Ligo 的科学家把自己实验的数据做成 100 道带评分细则的题（文中举的例子有胶图、菌落平板和手写的平板标签），每题经过另一位 Ligo 科学家、一位外部博士级湿实验科学家和最后一轮内部审核。在七个模型都跑过的最高推理档 xhigh，GPT-6 Astra 拿到 66.7% 的分，GPT-6.1 Sol 62.0%，GPT-5.6 Sol 43.8%；共 37 个模型与推理档组合，每题做五次。

为什么重要：判断哪些菌落带着正确的质粒、一个对照平板是否有效，是生物学家身边的智能体要做的日常工作；题目取自实验室自己的实验，保留了论文挑选图片时会删掉的模糊图像。展示的失败正是这一类：Astra 把菌落 PCR 的泳道正确分成两组，却把产物更大当成克隆成功，挑中了仍带旧质粒的菌落。

证据与边界：基准由 OpenAI 与 Ligo 搭建，由 OpenAI 打分，只比较了 OpenAI 自家模型；OpenAI 说分数更高还不意味着模型能在实验室里做出可靠判断。没有报道说题目会公开；它考的是读数据，不是动手做实验。

发生了什么：据《纽约时报》报道，Radical Numerics 已承认 10 月 20 日公布的工作不是它独自完成：Tabula 做了其中很大一部分研究，包括配出给患者使用的噬菌体制剂。该公司 CEO Eric Nguyen 写信给该报说，两家紧密合作了七个月，合同要求双方对合作保密。Tabula 说噬菌体治疗由它主导。双方都认同：制剂里一部分噬菌体由 Radical 设计，另一部分由 Tabula 提供。

为什么重要：Radical Numerics 10 月 20 日公布这项治疗时没有提 Tabula，而实验室工作大部分是 Tabula 做的。于是这项 AI 设计的疗法该算谁的，成了两家各说各话。哈佛遗传学家 George Church 两家都有职务，他 11 月 5 日辞去 Radical 这一边，并对 Nguyen 说保密这个理由在常识和基本伦理上都很薄弱。《纽约时报》把它和今秋另外两起争议并列：OpenAI 的一个证明、Anthropic 的酶，争的都是 AI 公司是否用了其他研究者的工作，两家都否认。

证据与边界：《纽约时报》的报道是通过授权译稿读到的，nytimes.com 这边拒绝自动访问。该报说 Church 退出的是董事会，而他究竟任的什么职，正是几家说法唯一不一致的地方。两家公司都没有公开合同；该报也写明研究确实做了、治疗确实给了。Tabula 说之后会讲自己那一边；患者的结果仍未披露。

发生了什么：一个语言模型给 Claude 消费者版 2026 年 8 月 2 日至 9 月 30 日的 207,049 次科研会话按学科和任务打了标签。数据分析占 Claude 会话的 33.7%、Claude Code 的 48.1%，估计只占研究者时间的 27.6%；采集数据约占 12%，时间占 28.6%；提出想法占 4.2%，时间占 7.1%。在对 528 名科学家（多在生命与健康科学）的调查中，这两项用得少的任务被排为最重要的两项。研究由 Johannes Hermle、Ben Jones 和 Lukas Althoff 牵头。

为什么重要：和 9 月 Google 的研究一样，它把收益放在屏幕前的工作上，而不是实验台。在化学、材料和生物医学领域，物理操作占研究时间的 38-41%，中位学科只有 4%；因此按报告的模型，即使 AI 做完其余全部工作，这些领域的产出最多是没有 AI 时的三到四倍，计算机科学和统计学则可达 15 倍。在接入科研数据库的 Claude Science 上，提出想法所占份额约为 Claude 上的两倍。

证据与边界：只统计了消费者版会话，学科和任务由模型而非人工判定，研究者的时间占比也来自另一个模型。调查对象是积极使用 AI 的研究者。加速倍数是经济模型推演的情景，不是测出来的产出；这是 Anthropic 关于自家产品的报告。

作者 Johannes Hermle、Ben Jones、Lukas Althoff

发生了什么：这家用 AI 智能体找芯片材料的初创公司，与外部物理学家和化学家（含斯坦福的 Felipe Jornada）合写了五题：铜氧化物超导的预测性理论（最高 40 万美元）；廉价而准确地算反应能量，以及芯片界面的电学性质如何由加工决定（各 20 万）；激光脉冲对材料的作用，以及热量如何穿过固体界面（各 10 万）。四题以已发表结果评分，化学一题用不公开的计算基准。

为什么重要：数学有一批悬赏难题，可以看出 AI 是否在逼近答案；TechCrunch 指出，材料科学没有这样一套题。这五题都有明确的数值目标，从超导到芯片内部的界面。联合创始人 Advaith Sridhar 告诉 TechCrunch，目的是设立标杆，看模型在这个领域是否在进步。在公司自己的基准上，模型提出了 500 多种新材料，却只给出了一种可行的制备路线。

证据与边界：前沿模型在每题上跑了数天仍进展不大，是公司自己的说法，没有公开运行记录。是否解出由公司独自判定，公司可以自己解出后关闭该题而不付奖金，并对每份提交（无论是否获奖）取得永久、非独占的商业许可。

发生了什么：Google Research 的 Paolo Di Achille、Ming-Zher Poh 等人与 Beth Israel Deaconess 的 Stephen Juraschek 合作，先用约 49.2 万小时未标注的手表数据预训练一个网络，再用 663 名佩戴 24 小时动态血压计的人训练分类器。在美国五个中心的前瞻性研究中，196 名没有已知心脏病、未服降压药的成人佩戴 Pixel Watch 3 一周。以 24 小时动态血压为准，它找出 65.8% 的高血压患者，特异度 90.0%；首次就诊时的诊室袖带测量找出 55.3%。

为什么重要：一半以上的高血压成人不知道自己患病，很多人已经戴着的手表可以提醒他们去检查。这个模型不需要袖带校准，研究也以指南视为参照标准的 24 小时动态血压来评分，而此前的可穿戴研究常用家庭袖带读数。作者把它定位为提醒人去做袖带确诊，而不是诊断本身。

证据与边界：只有一项 196 人的研究，由 Alphabet 资助，除 Juraschek 外作者都是 Google 员工。研究只用了一款手表，排除了已在治疗或有心脏病的人，并漏掉三分之一的患者。作者说，仍需随机对照试验来证明它能找到原本不会被诊断的人，并改善结局。

作者 Paolo Di Achille、Ming-Zher Poh

发生了什么：Ginkgo 在三季报中说，它用同一套机器人平台卖两样东西：由自动化推车和 Catalyst 软件组成的实验室系统，买方有诺和诺德、西北太平洋国家实验室、NSF 和 ARPA-H；以及在自家 Nebula 实验室（100 多台推车）代做实验。9 月宣布的诺和诺德实验室是首次卖给大型药企；ARPA-H GIVE 计划下一份最高 1750 万美元的分包合同把推车用于 RNA 药物生产。季度收入 2800 万美元，同比降 6%。

为什么重要：它说明了谁在为 AI 可以驱动的实验室付钱：药企给自家科学家买机器人，政府项目建共享云实验室，AI 公司购买实验数据。Ginkgo 称 OpenAI 等前沿实验室用它的云实验室生成训练数据，本季度有 22 家客户签约它的药物性质检测服务，其中 20 家是新客户。Ginkgo 联合创始人兼首席执行官 Jason Kelly 说，美国政府已把自主实验室当作国家基础设施。

证据与边界：数字和客户数都是 Ginkgo 自己给的；诺和诺德实验室的价格和 AI 数据业务的规模都没有公布。一笔销售说明有人需要这类设备，不说明它让诺和诺德的研究变快。

发生了什么：开放科学项目 OpenADMET 测量了化合物对四种细胞色素 P450 酶（大多数药物靠它们代谢）的抑制强度，并把 750 个测试化合物的数值保密到 11 月 3 日挑战截止。直接抑制赛道有 271 人参赛，103 个提交进入最终榜单。Inductive 的提交排名第一，紧随其后的一个匿名提交与它同属一档，NVIDIA 的提交排第三。联合创始人为 Josh Haimson 和 Ben Birnbaum 的 Inductive 称，这是它连续第四次夺冠。

为什么重要：一个药如果抑制这些酶，就可能让同时服用的其他药浓度升到危险水平，所以化学家希望在合成化合物之前就把这个风险标出来。这次是用专门为测试做出、对所有队伍保密的测量来给模型打分，比公开基准更严格。Inductive 的模型用汇集自多家行业伙伴的 ADMET 数据训练，这次在 271 名参赛者中再次排名第一。

证据与边界：主办方把前两名放在同一档位，统计上无法区分，所以「第一」是并列档位里的名次。Inductive 自己的方法报告说，750 个测试化合物是 75 个训练化合物的近似类似物，比面对全新化学结构的测试容易。它是把预测对照测量数据打分，没有据此推进任何药物项目。

发生了什么：穹顶颗粒（vault）是大而中空的蛋白外壳，真核细胞里普遍存在，没人知道它做什么。团队检索约 150 亿条蛋白序列，在 29 个细菌门和 4 个古菌门找到人类穹顶蛋白的同源蛋白，挑 24 个在大肠杆菌里表达。初筛电镜下 7 个成了穹顶样颗粒，冷冻电镜确认 4 个，其中一个初筛时看成环状。噬菌体的 L05 外壳由 96 个拷贝拼成，解析到 3.2 埃，包裹体积比人类的多约 25%。

为什么重要：这是从 Anthropic 自己的生物实验室做出的结构生物学结果，不是把设计交出去测；电镜拍摄在 Thermo Fisher 的冷冻电镜中心和伯克利电镜实验室完成。要看的是这个闭环：蛋白的挑选和分析判断由人来定，Claude 检索序列数据库、把每条蛋白序列改写成适配宿主细胞的 DNA、推荐分离用的色谱柱并提出把破碎细胞液直接上柱这条捷径，再跑完冷冻电镜数据处理。分离从约三天压到约 90 分钟，数据处理开始 34 小时后有了第一个完整模型。

证据与边界：穹顶颗粒到底做什么仍然未知，作者自己说这项工作让问题更复杂。颗粒只在大肠杆菌里做出来，没证明它在原本携带这些蛋白的噬菌体和细菌里也会形成。每个壁拷贝上都有一个未能确认的小分子：辅酶 A 只是密度图上形状相似。技术报告在发布时还没上线 bioRxiv，提速数字是团队自己的估计，没有对照基线，Anthropic 已就此提交临时专利申请。

作者 Januka S. Athukoralage、Nicholas T. Perry、Matthew G. Durrant

发生了什么：知情人士告诉彭博社，这家 Alphabet 旗下药物设计公司正寻求约 50 亿美元新资金，估值约 500 亿美元。融资尚未完成，报道没有点名投资方，Isomorphic 未回应置评请求。彭博社 10 月 8 日报道的估值为至少 400 亿、最高 500 亿美元，没有金额。总裁 Max Jaderberg 11 月 2 日在伦敦 Bloomberg Tech 大会上说，公司的工作仍处于临床前阶段；CEO Demis Hassabis 1 月曾说，首批临床试验应在 2026 年底前开始。

为什么重要：如果按约 50 亿美元完成，这一轮约为 5 月 21 亿美元 B 轮的 2.4 倍，而这家公司的自研药物还没有在人身上试过。投资人将在任何临床结果出来之前，为它的药物设计引擎和药企合作定价；这个规模说明，一家 AI 药物发现公司在首个临床试验之前，现在可能吸引到多少私人资本。

证据与边界：唯一来源是向彭博社透露消息的未具名人士：Isomorphic 没有确认金额或估值，报道没有点名投资方，这轮融资可能变动或落空。Jaderberg 自己的说法是，工作仍处于临床前阶段。

发生了什么：哥伦比亚大学的 Johan de Jong 2005 年创立 Stacks Project，数百位数学家把它写到约 7500 页。Axiom Math 用协同的智能体把全书译成 Lean，把每个永久标签对应到相应的形式化声明，并开源发布，附带原文与代码对照阅读的网站。公司说，工作中发现了几十条缺少前提或按原样不成立的陈述，并给出了反例。

为什么重要：Axiom 说，现代代数几何比 Lean 库已经成熟的领域难形式化得多：一个现代证明要依赖一长串交换代数、概形和上同调的结果，而这些此前在 Lean 里没有对应。现在这些基础可以直接导入，人或智能体检查新结果时可以从已验证的定义出发，不必从头搭建；在 AI 写出的证明多到人读不过来时，这一点很要紧。一周前的有限单群分类是一个定理，这次是一个为复用而建的库。

证据与边界：规模、忠实度和发现的错误都是 Axiom 的说法：每条形式化陈述是否与原文一致，由它自己的智能体审核，辅以对基础定义和重要定理的专项审核，没有报告外部评审。de Jong 10 月 21 日要求不要把 AI 生成的修改提交到项目本身，所以这些修正留在 Axiom 自己的仓库里。

发生了什么：Mingyu Wu、Zhaoguo Wang、Chunhai Fan、陈海波（Haibo Chen）等人在 Nature 发表论文，描述一个从一开始就围绕 AI 智能体建造的实验室。智能体按用户请求规划并执行 DNA 与 RNA 的合成、转录、扩增和测序，调度 20 多种仪器、超过 11000 个步骤。四项测试中，酶法 DNA 合成产率与专家调优的结果相当，并发请求的执行快 3.2 倍，一段文字存进 DNA 后完整读回，还检出并确认了临床检测已发现的 KRAS G13D 癌症突变。

为什么重要：作者说，现有的自驱动实验室大多在化学和材料领域，用固定流程在少数仪器上追一个目标，AI 只负责其中一步。分子生物学要用很多种仪器、很长的步骤链。如果智能体能规划和调度整个核酸实验室，它就能同时接多个用户的请求，作者称之为“科学即服务”。审稿人之一、北卡罗来纳州立大学的 Milad Abolhasani 对 Nature 新闻记者说，这套系统的突出之处在于自主程度，以及能方便地接入各种设备。

证据与边界：四项测试都由作者在自己的实验室设定和执行。产率对照的是专家优化过的合成；3.2 倍的提速是并发执行请求带来的，不是单个实验变快。突变检测确认的是一个已知突变，是演示，不是诊断研究。

作者 Mingyu Wu、Zhaoguo Wang、Fei Wang、Chunhai Fan、Haibo Chen

发生了什么：Heqin Zhu、Peng Xiong、S. Kevin Zhou 等中国科学技术大学的研究者在 Nature 发表论文：他们把 RNA 序列和碱基如何配对一起交给语言模型学习，配对信息同时取自多个结构预测工具，以免受单一工具的偏差左右。它的三维版本 Zfold 在 CASP15、CASP16 和 RNA-Puzzles 上与 AlphaFold3 表现相当；模型在二级结构基准上刷新结果，并能推广到新发布的 RNA 家族。数据集、权重和代码均已公开。

为什么重要：RNA 分子的功能取决于它如何折叠，而已解析的 RNA 结构远少于蛋白质，只用序列训练的模型学不到多少折叠信息。把碱基配对放进预训练，是绕开这一短缺的一种办法。2100 万对数据和权重都已公开，其他团队可以重新训练、拿自己的 RNA 来测试，或在它之上继续开发。

证据与边界：摘要报告的结果都是作者在现有基准上算出的分数，没有报告用新实验检验模型预测的结构。它学习的配对信息本身也是预测的，不是测量的。与 AlphaFold3 相当是论文对三个测试集的总结，不是说超过了它。

作者 Heqin Zhu、Peng Xiong、S. Kevin Zhou

发生了什么：这篇《自然·方法》论文由加州大学圣迭戈分校 Pengtao Xie 团队主导，斯坦福的 James Zou 是作者之一。RobPicker 用一小份更干净的标注做指引，纠正训练数据里错标、漏标的颗粒，并给稀少的蛋白种类更高权重。在五个真实冷冻电子断层数据集和 CZII 基准上，它的得分高于 Kaggle 竞赛排名靠前的三种方法；用它挑出的 β-半乳糖苷酶颗粒做平均，得到 5.2 Å 的结构图，用标准答案颗粒是 7.8 Å。

为什么重要：冷冻电子断层成像能在完整细胞里看蛋白，但要先把每个颗粒找出来，这一步靠的标注，人工做很慢，自动生成又常出错，模型最容易漏掉的正是又小又少的复合物。RobPicker 让实验室只整理一小份更干净的验证集，不必重标全部数据；训练好之后，它在 CZII 测试集上的推理速度约为作者估算的 PyTom 模板匹配的 160 倍。对要处理大量断层图的课题组，人工投入从清理全部训练标注转到整理这一小份数据，其余标注可以带噪。

证据与边界：所有比较都是作者自己做的，五个数据集里有两个是作者未公开的自有数据；还没有外部团队复现。结构图更清晰只出现在一种蛋白上：甲状腺球蛋白的结构图分辨率相当（8.3 Å 对 8.5 Å）。作者说它没有对不同实验室、不同采集条件之间的差异建模；跨物种测试只用了一种细菌，看的是结构图分辨率，不是对照标注打分。

作者 Youwei Liang、Ramtin Hosseini、Pengtao Xie

发生了什么：ALCHEMI Toolkit 0.3.0 于 11 月 4 日由英伟达发布，在这个开源（Apache 2.0 许可）、在英伟达 GPU 上批量运行 AI 原子模拟的 Python 框架里加入了蒸馏：用大模型的预测训练一个小模型。新版还加入 LoRA 微调、针对稀有事件的增强采样、寻找反应路径的微动弹性带（NEB）方法和分子晶体结构预测工具。它能运行 MACE、AIMNet2 和 UMA 模型，也能接入用户自己的模型。

为什么重要：机器学习原子间势让 AI 在材料与化学模拟里代替缓慢的量子计算。一位在英伟达做 AI for Science 的科学家写道，最准的这类模型往往太大，撑不起很多模拟需要的规模；把它蒸馏成小模型，就能在多得多的体系上、更长的时间尺度上跑同样的流程。英伟达自己写这一层软件并免费开放，它的 GPU 代码建在 CUDA 和英伟达自己的 Warp 库上：用它训练、蒸馏或采样这类模型的团队，是在英伟达 GPU 上做这些工作。

证据与边界：这是一次软件发布，不带结果：更新日志和说明文档没有给出任何蒸馏后模型的精度或速度，虽然新版加入了衡量小模型精度和稳定性的工具。大模型跑不动、蒸馏能解决，是一位英伟达科学家在领英帖子里的说法。

发生了什么：VIB-根特大学的 Sam van Puyenbroeck、Tim Van Den Bossche 与 Tine Claeys 等人在三个公开蛋白质组数据集上运行八个不查数据库、直接从质谱读序列的深度学习模型（包括 Casanovo、InstaNovo 和 π-PrimeNovo），以数据库检索的鉴定为标准答案。在 Orbitrap 数据集上，64.2% 的谱图至少被一个模型读对，单个最好 50.4%；后处理工具几乎无益。多数错误与模型无关，根源是谱图缺少碎片离子；各模型给出的错误答案本身很少一致。

为什么重要：这类模型是蛋白质组学找出数据库里没有的肽段的办法。错误若出在谱图缺了什么而不在模型，单靠更好的模型结构修不好；作者转而指向碎片之外的信息（如保留时间和离子淌度），以及在实验里改进碎裂方式。

证据与边界：标准答案来自数据库检索，所以只测了数据库已有的肽段。模型用 Orbitrap 谱图训练，换到 timsTOF 数据上表现急剧下降。

作者 Sam van Puyenbroeck、Tine Claeys

发生了什么：生产 Chromium 单细胞测序仪的 10x Genomics 在 10x Cloud 上推出 Sentira Single Cell。研究者提出问题，或让智能体从数据中提出一个；智能体先拟出分析计划交研究者审阅，再写代码、运行，并把方法和代码存进可编辑的笔记本。底层用的是 Anthropic 的 Claude 模型。按点数收费，10x 对 GEN 说一次完整分析约需 60 点。

为什么重要：单细胞实验常卡在分析：每个实验室的问题都要写自己的代码，而许多产出数据的生物学家不会写。把智能体放进仪器厂商自己的云平台，目的是让 Chromium 用户不靠生物信息学家也能做这一步。10x 首席技术官 Michael Schnall-Levin 对 GEN 说，过去要几周的分析可能几小时就能完成。它扩展了 10x 在 9 月底公布的 Sentira 平台，其空间组学版本还在早期试用。

证据与边界：发布没有拿智能体的分析去和生物信息学家的分析对比，“几周变几小时”是公司的估计。Schnall-Levin 对 GEN 说，智能体并不完美，结果写进论文前仍需人审核。

发生了什么：Erik Demaine 等七位作者以 MIT Hardness Group 名义指出，OpenAI 与 Anthropic 的算法推翻了 ETH，却与 Richard Stearns 和 Harry Hunt 1990 年提出的可满足性假设（SH）相容。他们证明 SH 与 Weak ETH 等价（后者排除 2^(n^(1−ε)) 时间的 3-SAT 算法），并给出一个框架：多数基于 ETH 的下界在 SH 下仍成立，指数只损失任意小的常数。

为什么重要：几十年的条件下界都建在 ETH 上。论文说，若反驳成立，其中多数换个假设就能保住，只损失一点，不必作废；作者特意拿它对照 WIRED 说这些研究「无关紧要」的标题。这篇论文和它引用的 Michael Lampis、加州大学圣迭戈分校 ETH Group 的笔记一样，在外部还没人确认之前，已经按主张为真往下做了。

证据与边界：论文假定反驳成立，并不检验它。结果是人写的证明，载于未经评审的预印本；作者说写作时用了 OpenAI 的 GPT 6.1 Sol 帮忙。

作者 Josh Brunner、Erik D. Demaine

发生了什么：约翰斯·霍普金斯大学的 Arda Uzunoglu、Eric Nalisnick 等人与 Apple 的 Mehrdad Farajtabar 合作，把解释模型为何产生幻觉的理论推广到发现：两者都来自训练中只见过一次的事实。他们微调 gpt-oss-20b 和 gemma-3-12b，把训练集里这类事实的比例从 0 设到 100%。一项是给出具备指定性质的化学式，以 Materials Project 2025 年 9 月快照里的新材料评分；另一项是改写 DNA 序列以达到目标活性。两项中完全命中率都随之稳步上升。

为什么重要：它指出，训练数据怎样采样，而不只是模型规模或推理量，会影响科学模型提出既正确又新颖的结果有多频繁。同样的样本多训练几遍（多样性不变），趋势就消失了，所以单靠多样性解释不了；加大推理提高了命中率，但不改变趋势。这个杠杆也会增加错误答案：在与训练同分布的留出数据上，发现和幻觉一起上升。

证据与边界：这里的发现是在软件里精确复原一个按时间或随机留出的已知答案，没有合成或测量任何东西。只用了两个小型开源模型和两项任务；作者说理论界依赖的参数很难估计。这是未经同行评审的预印本。

作者 Arda Uzunoglu、Eric Nalisnick

发生了什么：南洋理工大学的 Yuxuan Du、Dacheng Tao 等人把 60 项已发表的量子模拟、量子算法和量子测量研究做成任务：根据论文重建方法，复现其中一个结果。把智能体的尝试与公开代码对照，再由专家确认，发现 60 项中有 18 项有问题，从缺少细节到一项论文与代码无法对上，后者被剔除。在其余 59 项上，Claude Code 搭配 Opus 5.5 成功约 93%；六个第三方智能体框架为 19% 到 48%。

为什么重要：它把智能体复现不了已发表科学的两个原因分开了：一是智能体，二是论文本身。论文和代码之间的缺口补上以后，最强的系统能复现大部分结果，而花更多推理成本并不一定换来更高的成功率。作者自己的智能体把经专家核实的修正存起来再用，让低成本的 DeepSeek V4.1 Flash 从 68% 提到 85%。

证据与边界：这些都是在软件里重跑、再对照各篇论文评判的计算结果，没有在量子硬件上测量任何东西。60 项研究由作者挑选，用来比较的智能体也是作者自己做的；它存下的修正来自 59 项中的 5 项，85% 也把这 5 项算在内。只涉及一个领域，且是未经同行评审的预印本。

作者 Yuxuan Du、Hanqing Zhao、Dacheng Tao

发生了什么：深度原理是开发科研智能体 Mira 的杭州公司。它在智谱 Z.ai 的开放模型 GLM-5.3 上继续训练，用的是化学、材料和生命科学数据、自家科学家的反馈、自家电子实验记录，以及自家材料搜索的逐步记录，失败的尝试也在内。权重以 MIT 许可证放在 Hugging Face 上，需登记后下载。在公司自己的测试中，它在 FrontierScience-Research 基准上超过 GPT-6 Astra，在三项内部研究任务中有两项领先。

为什么重要：今年前沿实验室报告的发现成果都来自闭源模型；这个模型可以下载、检查和改造，而且训练用的是一个实验室的研究决策最后怎样，不只是已发表的知识。最接近发现的一项测试是搜索：五轮挑选新的金属配合物，每轮只看到自己所选的结果，模型找到的最大能隙平均达到 4.318 eV，GPT-6 Astra 为 3.689，Kimi-K3 为 3.353。

证据与边界：所有分数都是公司自己测的，基准由它挑选，内部任务由它编写，公开基准的数字只出现在图里。文中报告的配合物搜索只是评估，没有提到在实验室里做出任何配合物，也只涉及一种性质。在根据核磁谱图判定结构上，GPT-6 Astra 仍领先 3.33 个百分点。

发生了什么：Joseph Shunia 的检验只靠一个主同余式 (1+X)ⁿ = 1+Xⁿ（在分圆商环中）判定素数，对 L 位的数需要 L³² 次位运算。选参数要用 D. Cureton 与 J. Thorner 的定理：任何 Dedekind zeta 函数在实部大于 31/32 处都没有零点；它推广了 OpenAI 10 月 4 日关于 Hecke L 函数的无零区定理，并借 AxiomProver 在 Lean 中检查过。论文写明证明由 GPT-6 Astra 推导并写成，Shunia 提供附带猜想的检验、笔记和方向。

为什么重要：OpenAI 的定理先由 D. Cureton 与 J. Thorner 推广，再借另一家公司的证明器在 Lean 中检查，然后被 GPT-6 Astra 拿去构造算法。AI 产出的结果在这里成了新工作的输入，隔了两步，而不只是被检查或改写的对象。

证据与边界：它并不更快：Lenstra 与 Pomerance 的无条件检验已经是 L⁶，这个检验要有更强的无零区界或 GRH 才能到 L⁶。论文本身的证明由模型写成，未见外部检查；Lean 检查只覆盖它所依赖的 Cureton 与 Thorner 定理。

作者 Joseph M. Shunia

发生了什么：萨里大学的 Fabio Dias 与巴西塞阿拉联邦大学的 Yvens Lima 假定 OpenAI 的证明无误，追问公式要多大，这个界才比逐个试遍所有赋值更快。预印本没给常数：隐藏常数若为 2，交点约在 10³² 个变量，为 3 则约 10¹²⁶。按张量收缩证明自己的常数，有界密度公式上它保证的时间要到 log₂(n+m) 超过 10⁹ 才低于 2ⁿ。

为什么重要：证明若成立，ETH 照样被推翻；变的是这个结果的含义：对任何存得下的有界密度公式，它都不保证计数更快。这把关于理论的主张和「实际能更快解公式」分开了，也给核验提供了一个能检查的数字。

证据与边界：作者明说不评估 OpenAI 的证明是否正确。他们对子句乘积路线的限制，只在按预印本计算方式设定的成本模型里成立，奇偶形式和张量收缩不受其限。分析借助 Claude Code 里的 Claude Opus 5.5 完成，由另一个实例审稿，是未经同行评审的预印本。

作者 Fabio Dias、Yvens Lima

发生了什么：莫斯科 Zelinsky 研究所的 Stepan N. Ostarkov、Michael G. Medvedev 等人，每个任务只给模型 60 个带标注的分子。把例子写进提示后，GPT-6 Astra 在溶解度、水合能、亲脂性和两项量子化学指标上都胜过最好的化学模型：轨道能 R² 0.85 对 0.53，水合能 0.97 对 0.63。化学模型只在作为对照的 BACE1 酶抑制上胜出。轨道能上，最好的化学模型要 1000 个分子才超过 Astra 用 60 个的成绩。

为什么重要：大多数化学项目的测量值不到一百个，这正是化学基础模型被造出来要应对的情形。这里，把数据写进提示的通用模型在所测的性质预测任务上表现更好，例外是化学模型训练时围绕的类药分子分类。如果这一结果在更多任务上成立，手上数据少的实验室应先试前沿模型，再考虑微调化学模型。

证据与边界：六个基准都是公开的，通用模型可能在训练中见过答案。把标签打乱后它们仍然得分不低，作者也指出 Claude Opus 5.5 可能记住了答案。每个任务用 100 个分子、做 15 次随机划分；这是预印本。

作者 Stepan N. Ostarkov、Gregorii A. Semakin、Ivan A. Bespalov、Michael G. Medvedev

发生了什么：Exabyte（Mat3ra）的 Timur Bazhirov 与伯克利实验室、斯坦福、SLAC、NVIDIA、加州大学伯克利分校等机构的合作者发布了 Q3，一个从零写起的密度泛函理论计算引擎。它的 82,200 行 C++ 和 1,800 多个测试由 Claude Code、Gemini 和 Cursor 智能体在几周内写成，接口、方程和容差由科学家设定。在硅和铜的测试晶胞上，它的总能量与 Quantum ESPRESSO 相差不到 0.014 mRy。代码以 Apache 2.0 开源。

为什么重要：DFT 计算是机器学习材料模型训练数据的主要来源，而运行它的程序是几十年前的 Fortran，扩展起来很慢。如果智能体能在几周内写好并测试一个新实现，由科学家核对物理，一种新方法就能快得多地变成经过验证的高速程序。Q3 已在 NERSC 的 GPU 上运行，并能把结果导出为 BerkeleyGW 的输入格式，用于多体计算。

证据与边界：精度和速度只对照了一个参考程序，测试晶胞最多 54 个原子，由作者选定；外部评审目前只是对数值结果的黑箱核对。论文没有给出人工投入的工时，“几周”无法核对。

作者 Vsevolod Biryukov、Timur Bazhirov

发生了什么：Flagship Pioneering 把旗下三家公司的平台合在一起，再配上自己的 AI 部门 Pioneering Intelligence；据 BioPharma Dive，三家此前共融资 3.74 亿美元。CEO 是 Adaptimmune 前 CEO Adrian Rawcliffe，Flagship 高级合伙人 Alec Reynolds 任董事长，Noubar Afeyan 是联合创始人。起步项目在血液病（如骨髓纤维化）、代谢（含已有合作的 MASH 项目）和免疫。Cellarity 的镰状细胞病药物 CLY-124 转入另一家公司。

为什么重要：三家各有一类证据：Cellarity 读整个细胞的状态，Etiome 追踪疾病逐阶段的变化，Empress 查清一个分子实际结合什么。Flagship 押的是：三者合并，再加上细胞在基因被关闭或加入化合物后如何反应的数据，能分辨哪些靶点真正导致疾病，从而在试验前判断哪些药会在病人身上起效。Reynolds 把要解决的问题说成约一半进入二期的药物会失败。

证据与边界：没有宣布新融资。新闻稿称其用 1.5 亿个细胞训练的基础模型为业内最大，另有 30 多个预测模型，这些都是公司的描述，没有展示任何结果。

发生了什么：台湾大学、上海交大、SLAC 和华盛顿大学等机构的物理学家，用 5 亿个模拟事件预训练了一个处理整次对撞的模型，再微调用于四项分析。在模拟的新重粒子搜寻和奇异希格斯衰变搜寻中，它胜过 XGBoost、TabPFN 和 SPANet，数据越少优势越明显；在模拟中测量顶夸克纠缠时，精度比已发表的基准高 37%。在真实的 2016 年 CMS 数据中，它以 7.6σ 找到已知的 ϒ 介子，已发表方法为 6.4σ。

为什么重要：如今对撞机物理学家每做一项分析，都要单独训练一个模型。EVENET 检验的是一个预训练模型能否服务许多分析：在 NERSC 用 512 块 GPU 做一次大规模预训练，之后每个新问题只需低成本微调。收益最大的是稀有信号搜寻，因为每个新粒子假设往往只有几千个模拟信号事件。预训练数据和四个下游数据集中的三个，都以 MIT 许可公开在 Hugging Face 上。

证据与边界：只有一项测试用了真实对撞数据，找到的是一个已知粒子；其余三项都在模拟事件上完成。作者说，模型还没有把探测器和理论的不确定性传递进去，决定性的检验是用于一项正在进行的 LHC 分析。

作者 Ting-Hsiang Hsu、Vinicius Mikuni、Yuan-Tang Chou、Yulei Zhang

发生了什么：加州伯克利新加坡中心、南洋理工大学、新加坡国立大学、莫纳什大学和劳伦斯伯克利国家实验室的 Fanxu Meng、Kedar Hippalgaonkar 等人做了 SKIER：AI 模型调用研究者写好的分析步骤，计算交给普通代码。在课题组已发表的铂上甲醇氧化研究的 49 条记录上，有共享步骤时 11 种 AI 配置都处理完了数据，没有时一个都没有。模型再提出三种机理和区分它们的实验，团队都做了。

为什么重要：越来越多人让 AI 模型解读实验、提出机理，但它们的结论常常很难追溯到背后的测量。SKIER 把工作拆开：每种测量怎么分析由研究者定死，模型负责选择和推理，每个结论都能指回自己的数据。案例里这个回路走完了一次：同位素标记、停留时间和氧交换实验不支持三种机理中的两种，把 C-O 键断裂定在甲酸生成之前。

证据与边界：只有一个反应体系，来自作者自己此前的研究。GPT-5.6-sol 拿到 100% 的那 100 道单选题，由专家设计，论文没说是谁出的。作者也说，低于检测限的中间体和他们没考虑到的路径都没有排除。预印本。

作者 Fanxu Meng、Kedar Hippalgaonkar

发生了什么：FutureHouse 分拆出的 Edison Scientific（CEO 为 Sam Rodriques）宣布与 Pfizer 达成协议，在 Pfizer 的研发中部署 Edison AI 平台和 Kosmos。Kosmos 将使用 Pfizer 在肿瘤、内科、免疫等领域的数据，Edison 派驻的科学家和工程师会与 Pfizer 研究团队一起，把它接进具体的工作流程。

为什么重要：这是 Edison 今年宣布的第三个 Kosmos 部署，此前是 5 月的 Incyte 和 6 月的 Population Health Partners。这一次，AI 科学家读的是一家大药企的内部记录，包括没有成功的项目，而这类结果很少写进已发表的论文。Rodriques 说，目标是让每个项目学到的东西用到其他项目上。

证据与边界：只有 Edison 一方宣布：未找到 Pfizer 的新闻稿，也没有 Pfizer 的人出面表态。没有披露金额、期限和范围。这是一次部署，不说明 Kosmos 改善了 Pfizer 的决策。

发生了什么：Mistral 开源了 Mistral Large 4（代号 Le Chonk）的权重：万亿参数、激活 520 亿，采用改良 MIT 许可，可自由商用，但做模型即服务（MaaS）的企业除外。它报告在一个编码智能体指数上与领先的开源模型 GLM-5.3 打平（48%），且少用 47% 的 token；对恶意网络请求的拒绝率 96.6%，是它所测开源模型中最高。它还表示，在实时流量中看到该模型可能为发动真实攻击带来能力提升，正在相应修改护栏。

为什么重要：Mistral 的卖点是开放的前沿：一个研究者和企业可以下载、在自己机器上运行的模型，在欧洲训练，它称之为主权 AI。开放权重是与开放科学工具相关的那一半。值得记下的是它自陈的发现：一家实验室在开源一个有能力的模型权重的同时，承认同一个模型可能帮助攻击实时系统，却仍然照常发布，护栏还在边改。

证据与边界：每个基准数字都来自 Mistral 自己，它也说完整技术报告还没出。能力提升的说法是 Mistral 自己从实时流量中观察到的，没有附带数字。

发生了什么：纽约开放式台式实验机器人公司 Opentrons Labworks 完成 4000 万美元 E 轮融资，医疗投资机构 Avego 领投，BroadOak Capital Partners 参投，SoftBank Vision Fund 和 Khosla Ventures 是现有股东。公司称已在 80 多个国家装机 1.1 万多台。CEO James Atwood 说资金用于机器人、软件和数据工具、由 AI 执行实验和开拓新市场；Avego 管理合伙人 James Flexner 说，AI 得出的每个发现仍要在真实实验室里检验。

为什么重要：公司的说法是，模型提出实验的速度已经快过实验室执行的速度，负责移液的机器人就是排队堵住的地方。Opentrons 装机量大、编程接口开放，所以已有外部团队用 Claude 操控它的 Flex（Tetsuwan Scientific），用 GPT-5.6 Terra 操控它的 OT-2（杜克大学的 PEARL）。这轮融资押注的是：这类易用、开放的机器人会成为 AI 模型接触湿实验室的常用途径。

证据与边界：这是一笔融资，不是成果。装机量是公司自己的数字；新闻稿没有给出估值和累计融资额，也没有说明目前机器人上的工作有多少由 AI 执行。

发生了什么：Cascade 将用细胞因子、趋化因子和药物，单独或组合处理 12 位健康供者的血液免疫细胞，并在多个时间点测量：Parse 的 GigaLab 产出 1 亿条单细胞 RNA 图谱，Nomic 的 Omni 1000 产出 11,000 多份分泌蛋白图谱，每份测 1,000 多种蛋白，共 15 万多个扰动测量。GSK、辉瑞、赛诺菲、Graph Therapeutics 和 Turbine 是首批合作方。数据生产已经开始，数据集将以授权方式提供。

为什么重要：预测细胞对药物如何反应的模型，也就是虚拟细胞，缺的是能跟踪反应随时间变化、而且不止测 RNA 的数据。Cascade 在同一批样品、同一时间点上，既测每个细胞里的 RNA，也测细胞分泌出的蛋白，所以可以检验模型能否从细胞的反应预测分泌出的蛋白，也可以留出没见过的供者和扰动来评估模型。数据还没发布，GSK、辉瑞和赛诺菲就已承诺参与，可见药企对这类数据的需求。

证据与边界：这是一项宣布：数据还没有发布，公司没有给出时间、价格或合作条款。数据集是授权使用的，不公开。

发生了什么：威斯康星大学麦迪逊分校的 Lingxin Cheng、Jack Shireman、Christina Kendziorski 等人搭建了 SMART：约 20 个 Claude 智能体读一篇已发表的单细胞 RNA 研究，列出其中的发现，再写代码在另一套数据里逐条检验。它对六种癌症的 121 篇研究写出 726 份报告：跨癌种的报告有 46% 判定可迁移，同种癌症内为 75% 到 88%。人工核查 10 例，92% 到 97% 的输出正确；喂给它每条发现都反写的假摘要，15 份全被评为低或中低。

为什么重要：一项已发表的发现很少在它出处以外的场景里被检验，因为检验就得重读论文、重做分析。SMART 把这种检验变成常规工作，并指出哪些值得跟进。ORACLE 是一个 23 个基因的肺癌风险特征，被 161 篇研究引用，没有一篇在别的癌症里检验过它；SMART 标出它之后，作者在公开的肝癌（风险比 1.92）、胰腺癌（1.73）和间皮瘤（3.04）队列里发现，高分与更短的生存期相关。

证据与边界：所有检验都用现成的公开数据，没有做新实验。ORACLE 在卵巢癌、脑癌和结直肠癌里与生存期未见显著关联。系统由团队自己核查，预印本未经同行评审。

作者 Lingxin Cheng、Jack Shireman、Christina Kendziorski

发生了什么：Edison Scientific 与 MIT CSAIL 的 Conor Igoe、Siddharth Narayanan 等人，用药物响应 RNA 数据、CRISPR 基因依赖筛选和 GWAS 结果构建了 9.6 万个题目。模型读一串相关结果，给出一条未展示的结果支持某假设的概率。GPT-5.6-sol 和 Claude Opus 5 能把真假设排在假假设前面（AUROC 0.737 和 0.752），但信心偏低，Brier 分数不比一律猜 50% 好。用评分规则后训练的 Qwen3-30B 称为 Ibis0，其分类器版本 Brier 达到 0.177，AUROC 0.820。

为什么重要：替人挑实验的智能体需要知道一个结果该让它的判断变动多少，而不只是哪个答案更可能。这个基准衡量的正是这一点，训练能改善它。在模拟的挑选下一个实验任务中，Ibis0 与论文的信息增益估计方法配合时，第一次挑选获得的信息约为最好的提示式前沿模型的 2.5 倍；单靠提示则没有更好。代码、数据和模型都已公开。

证据与边界：题目是已发表数据的结构化摘要，假设只有是或否，正反各占一半；挑选实验是在模拟器里测的，不是在实验室。挑选实验的增益只在三个领域中的两个出现。只训练了一个模型系列的一个规模，用的是公司自己的基准。

作者 Conor Igoe、Siddharth Narayanan

发生了什么：林雪平大学、塔林理工大学和阿尔托大学的 Ali Saffar Shamshirgar、Johanna Rosen 等人训练了一个分类器，用来识别 MXene（金属碳化物、氮化物薄片）的层状结构，再拿它扫一遍 Materials Project 和 OQMD 两个数据库。再结合数据库标注和文献核对，筛出 33 种早已合成、却没被当作 MXene 候选的化合物。团队随后用一种自持燃烧反应做出 7 种 MXene，不用持续加热，几分钟完成；又做出 11 种新的，金属是 7 种稀土。

为什么重要：大多数 MXene 至今仍要用氢氟酸这类危险的酸刻蚀出来，步骤多、耗时长。这里模型的任务不是发明新材料，而是在文献里找出以别的名字记录过的材料；这些发现把团队引向带卤素表面的稀土碳化物，此前这一片几乎没有做出过 MXene。燃烧合成路线则可能用来大规模制备它们。

证据与边界：分类器只是给数据库里已有的结构分类，这 33 种是否都真像 MXene 那样表现，没有检验。新做出的是多层粉末，不是剥离出的单层片；带隙有测量，磁性状态则来自计算。只是一个团队的工作。

作者 Ali Saffar Shamshirgar、Johanna Rosen

发生了什么：德累斯顿工业大学的 Prerana Chandratre、Lutz Brusch、Simon Syga 等人把 OpenAI 的大模型智能体和他们课题组开发的开源多细胞模拟器 Morpheus 接在一起，让智能体在无人参与时为 15 项已发表研究搭建、运行并修改虚拟组织模型。用 GPT-6.1 Sol 时，能运行模拟器的配置平均达成 83-86% 的隐藏评分标准，每个模型约 105 到 110 分钟、3.74 美元。5 项研究原本没有计算模型，智能体自己提出的机制得分相当。

为什么重要：搭虚拟组织模型，就是把对细胞的观察变成能复现这些观察的模拟，需要同时懂生物、数学和编程，是缓慢的专门工作。这里起决定作用的是让智能体自己运行模拟：不能运行时，大模型得分降到 0.55，小模型降到 0.11。大模型每次运行的花费是小模型的 10.8 倍，得分 0.85 对 0.66，这是采用这类智能体的团队要做的价格与质量取舍。智能体只写模型文件、由模拟器来运行，建模者可以直接检查它搭了什么。

证据与边界：打分的也是大模型，而且是智能体用的两个模型之一；在评测的早期版本上，它与三位作者的人工打分相关系数为 0.93。费用按 OpenAI 标价折算。评分标准由作者设定，模型复现的是已发表的现象，没有预测新实验；完整的运行记录没有公开。

作者 Prerana Chandratre、Lutz Brusch、Simon Syga

发生了什么：这家纽约公司从其他药企买入或授权引进一期、二期药物，由自己推进开发。新设的 Drug Development Accelerator Fund 获研究基金会、捐赠基金、医院和慈善机构承诺出资 6 亿美元；Formation Bio 通过子公司任普通合伙人，也投入自有资金。每个药物单独放在一家公司里。CEO 兼联合创始人 Ben Liu、首席商务官 David Steinberg 和首席科学官 Michael Ehlers 在新闻稿中发言。

为什么重要：这是 AI 公司为药物开发筹钱的另一种做法：Formation Bio 按单个药物募资，投资人买的是药，不是平台。Liu 说，这开辟了不必出售母公司的变现途径，长期看还能降低资金成本。要检验的说法是：一个共享的、由 AI 支撑的开发团队，能在买入后 2 到 4 年内，更便宜地把每个药推到临床结果。

证据与边界：这是为药物项目设的基金，不是 Formation Bio 的股权融资。没有点名任何有限合伙人或基金要买的药，新闻稿也没有展示平台缩短过哪个项目的例子。

发生了什么：Google DeepMind 发布 Gemini 4 Carbon，称之为其最强模型，由 Koray Kavukcuoglu（Google DeepMind SVP）署名发布。它报告 Carbon 在 Artificial Analysis 智能指数 5.0 版上以 59 分排第一，并在它引用的三个网络安全基准上领先：找软件漏洞（SEC-bench Pro，88.2%）、利用漏洞（ExploitGym，54.8%）和打补丁（CWE-bench，71.0%）。在一项间接提示注入测试上，它挡住了每一次攻击（0.0%），此前的 Argon 为 0.7%。定价与 Argon 相同，每百万输入、输出 token 分别 2 美元和 10 美元。

为什么重要：Carbon 延续了本记录一直跟踪的 Gemini 4 系列，但 Argon 当初发布时附带了科学案例和给科学家的免费计划，Carbon 的定位则是网络安全和长链路智能体任务。Google 对它分级放开：先通过 Fairwind 计划给网络防御者，开发者和消费者以后再说、没有日期，并说它正在美国政府的自愿发布前测试流程中。这套放开方式和政府测试，是这类模型获得攻防安全能力时值得关注的治理环节。

证据与边界：每个基准数字都来自 Google 自己，没有独立核验，也没有引用技术报告。内部的编码和安全代码提升是在它自己的团队和测试上得到的。访问受限，受审合作方之外的人无法检验这些说法。

发生了什么：MIT 的 Eunbi Rha、Mingda Li 等人做了 QUANTA：智能体参考文献和以往记录，在 PPMS 测量系统上规划输运测量，随数据修改计划，另有一层规则把每条指令对照硬性上限检查。在 Weyl 半金属 TaP 上，它从放大器过载中恢复，选出通过信噪比检验的电流，否掉更快的采集设置，但没有设置完全通过。在 Co2MnGa 上，它分四步检验一个非线性霍尔信号的来源。

为什么重要：测量一种量子材料要做很多小决定：用多大电流、平均多久、一个奇怪的信号来自样品还是来自装置。这些经验大多在人的脑子里。这里由一个智能体在真实仪器、真实样品上做这些决定，每一步的理由都有记录。它也在数据到头的地方停下：Co2MnGa 信号的来源是电子的还是热的，拟合分不出来，它就没有下结论。

证据与边界：一台仪器、两个样品，由开发智能体的团队自己运行，没有和研究者亲手做同样测量的情况对比。装样品、改接线仍要人来做，高风险操作也要人批准。智能体用的是 OpenAI 的 Astra Ultra 模型。过载是靠放宽放大器输入量程解决的，原因没有查明。两次测量都没有得出新的物理发现。预印本。

作者 Eunbi Rha、Mingda Li

发生了什么：多伦多大学的 Juan B. Pérez-Sánchez、Varinia Bernales、Alán Aspuru-Guzik 等人（另有智利和西班牙的合作者）让 El Agente Quntur（一组基于 OpenAI GPT-5.6 模型的智能体）为 31 个分子的 32 个激发态选择活性空间，也就是多参考计算要完整处理的那一小组轨道。对照已发表的 CASPT2 数值，智能体给出的能量平均偏差 0.239 eV，六种固定的 Active Space Finder 流程中最好的一种是 0.459 eV。

为什么重要：选活性空间是这类计算里至今仍要靠专家的一步，也是一些化学家说这些方法算不上规范模型化学的原因。这里的智能体不只是挑轨道：它们会检查计算实际落到了哪个激发态，发现优化过程中丢掉的轨道，然后改变做法。提示、智能体轨迹和计算文件都放在公开的复现数据集里，这些决定可以审查。

证据与边界：参考值本身也是计算结果（早先论文的 CASPT2），不是实测光谱。有四个案例，智能体算的激发态和参考值不是同一个，平均误差没有为此扣分；逐个案例比，智能体和最好的固定流程各胜 16 个。32 个案例共用了 7.64 亿个 token（含检索），同一提示重复运行，走的路线也不一样。

作者 Juan B. Pérez-Sánchez、Varinia Bernales、Alán Aspuru-Guzik

发生了什么：BigHat Biosciences 与 Anthropic 在 BigHat 的 Milliner 平台上做了两次先导分子优化，共七轮（一个分子四轮，另一个三轮）、约 1010 个设计，Claude 参与其中。他们去读仪器的原始曲线，发现每个分子上都有一项热学指标并没有测它名字所说的东西：纳米抗体上是聚集起始温度。于是给曲线拟合物理模型、换指标、改实验方案。两个先导分子在结合力、耐热性和聚集上都好过起始分子。

为什么重要：闭环实验室优化的是给它的那个数字，所以一个替代得很差的指标，换更好的模型或更多数据都救不回来。这里的改进来自人和模型去读仪器信号、并改动实验，而不是多跑几轮搜索。已发表的闭环工作大多把仪器报出的数值当作正确标签，这次优化没有这样做。

证据与边界：这是两家公司自己的技术报告，未经同行评审，全部测量都在 BigHat 自己的实验室：一个平台上的两个分子。报告写明每个先导分子的数值只有一到两次重复，下一步先做确认实验；新指标也是在产出它的那次优化里选定的。先导分子是抗体片段，不是药，没有动物或人体检验。

作者 Samuel Stanton、Peyton Greenside

发生了什么：公司与 AI 智能体经过三轮设计和测量，做出一段 45 个氨基酸的 CAR 胞内信号段，长度不到已获批疗法所用 4-1BB-CD3zeta 段的三分之一。与那一段相比，它提高了细胞表面的受体量和抗原引发的 IFN-gamma 释放，而没有抗原时检测不到释放；用 mRNA 递送后杀伤维持更久，一份 mRNA 剂量可带四个受体，用慢病毒和脂质纳米颗粒递送后在供者血细胞中清除了更多 B 细胞。

为什么重要：把信号段缩短，本来预计会损失功能，因为激活基序越多一直被读作信号越强。这段短的信号段让每单位 mRNA 产出更多受体，团队因此才能把四个受体放进一份剂量；报告还提出短信号段有可能降低在体内制造 CAR T 细胞所需的剂量。它同时是智能体引导设计的一个实例：智能体提出设计，并随测量结果不断修改。

证据与边界：这是公司自己的技术报告，未经同行评审，而且全部在细胞层面：少数几位供者的人血细胞，没有动物实验。报告写明短信号段在活体动物里表现如何、有多少细胞同时带上全部四个受体，都还不知道；没有测耗竭；智能体引导的设计是否强过专家设计、是否需要更少轮数，也还没有在对等基线下检验过。

作者 Liam Bai、Wujie Wang、Jason Yi

发生了什么：Enveda 测试了自建的 CDP：基于 Claude 的药品生产批记录审核系统。测试对象是同一个临床批次计划下的四份已执行批记录，共 1061 页，多为手写。人工审核员提出 11 个需处理的问题：CDP 有 9 个直接对上，另 2 个经裁定算作对上，且都是多次运行合计，不是一次跑完。Claude Opus 4.7 的单次运行还多提 7 条人工没提的意见。拿着 CDP 的意见再审一遍，用时是无辅助的 1/9.4。

为什么重要：每批药放行前都必须做批记录审核；Anthropic 的文章说，Enveda 的生产化学家此前有多达 75% 的时间花在文书上。这是药物研发中受监管的文书那一端，几乎没有人去量它，而这里的尺子是人工审核员在真实记录上查出了什么，不是某个基准上的分数。

证据与边界：这是公司自己的报告，未经同行评审：一个批次计划下的四份记录，对照的是审核员的意见，而四组审核中有两组是外部顾问。CDP 没有一条意见引用记录里不存在的内容，但每次运行都按“重大”级别报错一条，人工审核员也能查阅 CDP 没拿到的上游工序记录。那多出的 7 条是否重要，由 Enveda 判断。用时那个数字，来自事先拿到 CDP 意见的那次审核。

作者 Andrew Martin、Brandy Schenck、Daniel H. Wee、Viswa Colluru

发生了什么：Anthropic 在自己的 Science 页面上说，公司已收购 Mithril Medicine。这家公司此前在研发两种罕见儿童先天性肌营养不良的疗法，创始人 Cody Tranbarger 已加入 Anthropic，继续这项工作并启动更多项目。同一篇文章还列出与六家机构的研究合作：BigHat Biosciences、Bristol Myers Squibb、Divergence Labs、Enveda、Generate:Biomedicines 和 The Column Group，后者正在组建一家叫 Pleiades 的公司，用 Claude 来跑药物项目。

为什么重要：一个卖模型的公司变成了做药的公司。合作让 Anthropic 自己的科学家进入别人的项目，收购则让它有了自己的项目：风险由它承担，结果也归它。文章还说，Anthropic 打算把这部分工作大幅扩大。

证据与边界：收购没有披露条款。Anthropic 说，如果候选分子继续站得住，它预计最早在 2028 年底会有一个药可以开始人体试验，这是它自己的预期；背后的小鼠结果出自公司自己发布的技术报告，未经同行评审，报告里研究的是两个工具分子的初步实验，不是候选药。Pleiades 目前还没有公开任何项目。

发生了什么：食物过敏唯一获批的生物药 omalizumab 中和游离 IgE，对结合在 FcεRI 上的那部分拿不太掉。在自家研究团队引导下，Claude 执行 22 个阶段，目标是能把它撬下来的双臂抗体。单一浓度下筛了 91 个拆解臂，20 个快过所有阴性对照；其中八个纯化后做剂量滴定，三个在 25 至 400 nM 之间清除得比 omalizumab 更多。57 个锚定臂设计里 3 个结合 IgE，表观亲和力 3.4 至 235 nM。

为什么重要：把结合上去的 IgE 从受体上拉下来需要精确的几何关系，而展示库和免疫途径都无法指定它，所以在这里，从结构出发做设计是要点本身，不是图方便。改到距母本八个替换之远，功能仍然保留；命中来自这场设计试过的每一个改写范围和每一种方法。Divergence 说这两条臂是以周计拿到的，而筛选通常要几个月。

证据与边界：这是 Divergence 自己的报告，未经同行评审，全部是传感芯片上的生物物理测量：没有细胞，没有动物，双臂分子还没做出来。报告写明，剂量滴定里这些变体看起来并未强过母本 sdAb026，最好的那个在多数浓度下与它相当；Anthropic 概述这项工作的文章没有提到母本。锚定臂亲和力可能被亲合效应混淆；方法还需先有已知拆解分子的序列和解出的结构。

作者 Ezra Erives、Emilio Ferrara、Bowen Jing

发生了什么：模型把视频与音乐、环境声和可交互对话一起生成，DeepMind 称这是它第一个原生生成音频的实时世界模型；模拟进行中还能用自然语言改天气、移镜头或加一个人。它建立在 Gemini 系列之上，由 Gemini Omni 锚定真实外观与行为，所有输出都将带上 SynthID 水印。

为什么重要：DeepMind 自己给出的用途包括为机器人与智能体开发训练环境，以及在把 AI 系统带到真实世界之前先测试它们。有一段的提示词是「Universal Robots UR5 拿着移液器往实验板里加液，溅出细小电火花」，这是帖子里唯一的实验室场景，而帖子点出的测试者来自创意、新闻、教育、游戏和工程。

证据与边界：发布里没有基准、没有分数，也没有与 Genie 3 的对比：只有片段、说明文字和一次没给结果的内部安全评测。媒体报道的两分钟一致性数字两篇帖子里都没有；没给时长，只说模拟跑得越久，物体恒常性越可能漂移。只开放给受信任的测试者，没有公开访问。

作者 Raia Hadsell、Diego Rivas、Hang Qi

发生了什么：伦敦作物 AI 初创公司 Biographica 的 Paride Antinucci、Dominic Hall 等人在 bioRxiv 预印本中，把基因的 DNA 和某种组织或条件下转录因子（开启基因的蛋白）的实测水平一起输入模型。在六种植物的留出数据上，它在不同情境间的每基因相关系数中位数为 0.831，去掉这项输入的同一模型为 0.486，比三个完整微调的基因组基础模型高 57% 到 246%。随后它为大豆和番茄设计了最多改 20 个碱基的编辑。

为什么重要：许多作物基因影响不止一个性状，一个在某种组织或条件下有利的编辑，可能在别处带来不想要的变化。能按情境预测表达的模型，让育种者在编辑任何植物之前，就按目标位置想要的变化和其他位置的变化给候选编辑排序。Biographica 向种子公司提供基因编辑靶点。

证据与边界：这些编辑只是预测，还没有一个在植物中做出来并测量。测试数据来自公开的 PlantExp 数据集，由公司自己的团队评分，预印本也未经同行评审。

作者 Paride Antinucci、Dominic Hall

发生了什么：新加坡副总理 Gan Kim Yong 在 SWITCH 2026 上宣布 MARVEL-AI：由 A*STAR 牵头，政府首期投入 1.5 亿新元，AI 模型挑选候选材料、设计实验，自动化实验室负责合成和测试。平台设在 A*STAR 材料研究与工程研究院（IMRE），该院执行院长 Xian Jun Loh 同时领导 MARVEL-AI。公布的合作方包括材料一侧的 ST Engineering、Heraeus Electronics 和 Foxconn Industrial Internet，以及 AI 一侧的 CuspAI 和 Google Cloud。

为什么重要：演讲点明了它要补的缺口：Google 的 GNoME、微软的 MatterGen 这类模型能提出材料，但一种材料还要做出来、测过、能量产，产业才用得上。MARVEL-AI 把模型和实验室放进同一个国家项目，并把设备、测试和研究人员向企业开放，包括初创公司和中小企业。用 AI 设计材料的 CuspAI 将把自己的系统接到平台的自动化实验室上。

证据与边界：这是一项宣布：演讲和报道都没有给出 1.5 亿新元的分配、时间表，也还没有任何材料成果。每天最多 470 个合金样品、是常规通量 400 多倍的数字，是新加坡企业发展局引用的一个现有实验流程，不是 MARVEL-AI 的成果。

发生了什么：纽约大学和 Flatiron 研究所的 Adam Lahouari、Jutta Rogal 等人研究了吖啶，一种至少有八种晶型的小分子。熔体实验首次解出了晶型 VIII 的结构。他们的 CrystalMath 方法不计算任何能量，从生成的 341,683 个结构中留下 15 个，其中包含全部 7 个结构已知的晶型，晶型 VIII 也在内。针对吖啶微调的 MACE 势加上完整的自由能计算，复现了实验中随温度升高、稳定性从晶型 II 转到晶型 III 的切换。

为什么重要：同一种分子可以结晶成几种表现不同的晶型，这对药物、有机电子和农化都很重要；领域希望用晶体结构预测加机器学习势，在合成之前就给晶型排好序。这里排序这一步需要微调：四个现成的基础势都把顺序排错了，简化的自由能近似也没算出观察到的相变交叉。研究还在 18 种添加剂下从熔体中生长吖啶，发现效果最强的两种与计算出的缺陷能一致。

证据与边界：只有一种分子。预测的两个最稳定晶型的交叉温度约 290 K，实测约 318 K；有些观察到的相变与自由能曲线不符，晶型 IV 也没有纳入计算。添加剂的关联只建立在 18 种中的两种上。预印本。

作者 Adam Lahouari、Jutta Rogal

发生了什么：伦敦大学学院、AbbVie 和科罗拉多大学博尔德分校的 Edgar Olehnovics、Matteo Salvalaglio 等人训练了一个归一化流，把晶体的分子动力学快照映射到一个简单的参考态，直接得到自由能，不需要爱因斯坦晶体法那样的一串中间模拟。在琥珀酸和两个药物分子 Veliparib、Mivebresib 上，结果与该方法一致，晶体最大约 3000 个自由度；所有体系平均下来，计算时间约少 2.5 倍。

为什么重要：晶体结构预测可以为一个药物分子给出几百种可能的堆积方式，要按室温下的稳定性给它们排序，就需要自由能。标准方法准确，但慢到没法铺满整个晶型景观。每个晶型只需一段普通模拟的方法，让这种排序便宜到可以自动化；又因为需要的能量计算更少，适合配合更慢、更准的力场。

证据与边界：对照的是另一种计算方法，不是实验。排序取决于力场：对 Veliparib，通用力场和专门拟合的力场结论不同。提速也不均匀：琥珀酸只在最小的晶胞里更快，作者也没有记录精确的运行时间。

作者 Edgar Olehnovics、Matteo Salvalaglio

发生了什么：浙江大学和北京大学的 Huifeng Zhao、侯廷军（Tingjun Hou）、Yu Kang 等人做了 GlycoWeave：预测与蛋白结合的糖链构象时，调整的是键的扭转角，而不是自由移动原子，这样糖的化学结构能保持完整。在 698 个较新的蛋白-糖复合物上，71.9% 在它排前 25 的构象里有高质量结果，AlphaFold 3 为 19.2%，对接工具 Vina-Carb 为 16.9%。每个构象耗时 0.34 秒。

为什么重要：蛋白上的糖影响免疫识别、感染以及部分药物的作用方式，但糖很柔性，实验结构里覆盖稀少，通用结构预测模型处理得不好。这里 AlphaFold 3 排第一的预测只有 41.0% 通过结构有效性检验，GlycoWeave 则 698 个全部通过（对接工具 Vina-Carb 为 99.7%）。一个为某类难办配体专门做的模型，量出了通用共折叠模型在与训练数据不同的分子上会损失多少准确度。

证据与边界：对照的是已知实验结构，不是新的湿实验。标题比较的是排前 25 的构象；论文没有说明 AlphaFold 3 自己的采样数是否也取到 25。蛋白口袋是作为输入给定的，所以不是盲对接。预印本。

作者 Huifeng Zhao、Tingjun Hou、Yu Kang

发生了什么：Amaç Herdağdelen、Hailey Joren 和 Alex Tamkin 请 50 位受过因果推断训练的分析师，用 Claude Code 评估一个虚构的农场项目。四个各有两种合理答案的选择（比如生产率怎么量）上，智能体倾向哪边由抛硬币决定，分析师不知情。他们 86% 的时候与倾向一致，若无影响应为 50%。事后 77% 至少在一处用智能体的论证解释自己的选择，只有 15% 提到它。

为什么重要：当智能体接过分析中的具体操作，留给研究者的选择（量什么、怎么比）就是判断进入的地方。这项试验量的是这份判断有多少转到了智能体手里：只凭抛硬币的结果，就能预测 82% 的最终建议，而总猜最常见的建议只有 61%。这关系到每个用智能体分析实验的实验室，也关系到审查：和智能体一起工作的审稿人，只有在判断是自己做出时才算独立核查。

证据与边界：任务是虚构的，智能体又被要求为自己的倾向辩护，所以现实中的智能体影响可能更小。不用智能体的 11 人犯了更多严重错误，但人数少、经验也少，这个对比很弱。研究由 Anthropic 自己完成。

作者 Amaç Herdağdelen、Hailey Joren、Alex Tamkin

发生了什么：10 月 26 日递交的 S-1 显示，2026 上半年营收 163 亿美元，2025 全年为 46 亿美元；运营亏损从 21 亿美元收窄到 6.93 亿美元。807 亿美元的净亏损几乎全部是一笔 724 亿美元的非现金重估，对象是可转债、衍生负债和 SAFE。算力承诺包括对谷歌至少 1,145 亿美元、对亚马逊 1,100 亿美元、对微软 449 亿美元，都与用量无关。

为什么重要：从科学的角度看，申报文件写明前沿 AI「可能」扩展到机器人和科学研究，包括药物发现和材料科学，并称 Claude 借助 Model Hardware Standard「现在」已能操作显微镜、液体处理设备和机械臂。它对「强大 AI」的设想还包括持续数周的自主任务，以及「把数十年的科学进展压缩到几年」。但在账目里，公司只有一个分部，生命科学实验室出现在风险因素中。

证据与边界：6 月的数字是未经审计的中期数据。三家云厂商的承诺只是七项已列明安排中的三项，表外另有估计 1,250 亿至 1,500 亿美元的 TPU 算力，承诺总额一栏还空着。前五大客户约占营收四分之一。Founder LLC 新设的股类持有 50.1% 的投票权，长期利益信托则通过自己的股类选出董事会多数。

发生了什么：印第安纳大学 Jared Lewis 的团队与 David Baker 合作，试验了 96 条设计，其中 63 条成功表达；一个名为 DE3 的骨架以 94% 的对映体过量结合铱光催化剂的一种镜像。但刚设计出来时，它在催化上选择性很低。经过突变筛选，对映体比达到 3:97，空气中周转数超过 5 万，蛋白还能回收重复使用三轮。

为什么重要：生成式设计给出的是一个口袋，能容纳自然界没有对应蛋白的辅因子，这正是以往从已有折叠里拿不到的。在这个反应上，对映选择性来自之后的突变筛选；而第二轮设计后来在另一个反应上未经任何进化就做到了 90:10。金属多吡啶光催化剂此前在这两条路上都没能走通。

证据与边界：做下去的只有一个骨架，而测试结合的有五种折叠。口袋是围绕一个钌辅因子设计的，最后只结合铱的类似物，也没有拿到结合辅因子后的结构。底物范围里的另一些反应只有中等选择性。设计和评测出自同一批团队。属于加速预览版。

作者 Sandip Mishra、David Baker、Jared C. Lewis

发生了什么：OpenAI 的手稿标注 10 月 17 日、25 日修订，26 日连同 Lean 形式化一起放进公开仓库，给出一个在亚指数时间内计数定宽 CNF 可满足赋值的确定性算法。Anthropic 的 49 页论文标注 10 月 26 日、27 日推上仓库，结论相同，署名 Claude, Anthropic，并称模型是 10 月 16 日找到的。

为什么重要：这个假设撑起了几十年的下界工作：Anthropic 的论文说，Claude 的文献检索找到 800 多篇论文，结果只在它或更强假设下成立。只要有一边成立，这些条件性结论就得重读；而参与组织核验的 Ryan Williams 说，若成立，该让每位计算机科学家把 P=NP 的可能性加重。

证据与边界：两家公司之外，没有人验证过任何一份证明。Lean 检查的是证明能否从形式化陈述推出，而不是这个陈述是否就是论文所说的那件事，这一点 Anthropic 自己写明了，还说截至成稿没有已知的人检查过它的 Lean。OpenAI 形式化的界比手稿更弱，只针对规范编码输入，但仍是亚指数的。Anthropic 说它纯属渐近。

发生了什么：OpenAI 发布前先告知三位复杂性学者，请他们组织检验。Russell Impagliazzo、Ramamohan Paturi 与 Ryan Williams 当天写信给同行：「我们的参与不应被视为对该主张的认证。」他另在账号上说，小组没签保密协议、不收钱，OpenAI 答应公开原始材料并资助会议。

为什么重要：机器的结果由谁认证，是这六周争的事；这一次，实验室在发布前先点了检验者的名。那封信就是被点名的人拒绍这个角色，同时守住筹码：Williams 说他们要了原始材料和一场 OpenAI 资助的会议，对方答应了；信里写明，这项工作不该把所有权交给任何公司或少数被选中的人，包括他们自己。

证据与边界：OpenAI 的发布页这里返回 403，其说法未被引用；仓库 history 文件称这三人为独立工作组，没点别人。半岛电视台所报推迟的物理成果无公开材料，OpenAI 721 篇数学手稿目录里也没有量子色动力学论文。保密协议、报酬、材料和会议四点是 Williams 的话，信里没写；信没有日期。

发生了什么：OpenAI 的 59 页论文署名 OpenAI，标注 10 月 25 日，次日放进公开仓库，证明了 Sogge 猜想在空间维数不低于二的每一种情形，Sobolev 损失可取任意小，p=2 时为零。论文由此推出 Bochner-Riesz 猜想、Stein 平方函数的锐界，以及 Kakeya 与 Nikodym 极大猜想。OpenAI 说，它直接发布的是模型的输出。

为什么重要：已发表的结果里，平面的情形来自 Larry Guth、Hong Wang 与 Ruixiang Zhang，三维的 Kakeya 是 Hong Wang 与 Joshua Zahl 去年做的；这篇一次给出所有维度，并引了 OpenAI 九月的两份预印本，表明它取代了那两份。与同一天发布的复杂性结果不同，这里的 Lean 覆盖了头条主张：所有维度的局部平滑界，以及「在每个方向上都含一条单位线段的集合具有满 Hausdorff 维数」。

证据与边界：OpenAI 之外没有人核验过，而 OpenAI 自己的仓库把这批手稿称作原始研究数据，不是打磨好的论文。球面、抛物面与锥的限制估计只在猜想范围的内部成立，所以限制猜想并没有在这里被解决。同一个仓库在 10 月 7 日因为一个符号错误撤回过三份手稿。

发生了什么：罗氏 Prescient Design 与大分子研究部的团队用语言模型流水线，从 10110 份美国专利抽出 89074 条抗体-抗原记录，再构建 11247 对：一边是专利声明能结合、且无已解析结构的抗体，另一边是序列相近的诱饵。考察六个结构预测模型能否把两者分开。Protenix-v2 最好：全部配对 72%，最有把握的一半 87%，从 50 个候选里挑中真的那个占 29%。最好的模型只在 62.8% 的情况下碰到已标注的表位残基。

为什么重要：筛选设计抗体的团队，习惯把模型的折叠置信度当作结合的替代指标。这给出了它值多少：远好于随机挑选，但远不足以指定一个候选去合成。而且能把结合的与诱饵分开，并不意味着姿势是对的，所以用这些模型读表位是另一个主张，这些数字并不支持。

证据与边界：这里没有任何实验测量：结合的一方来自专利的声明，不结合的一方是假定不结合的抗体库序列，所以这些准确率是对着构造出来的阴性集算的，不是测出来的亲和力。结构不在模型的训练数据里，专利文本则可能在。预印本本身按 CC BY 发布，并称数据集已公开，但没有说明数据集的许可。未经同行评审，全文未读。

作者 Daria Tupikina、Andrea Roncoli、Alexander Bujotzek、Brennan Abanades

发生了什么：帝国理工学院的 Junkil Park 和 Aron Walsh 给一个只看化学组成的可合成性模型加了第二项任务：按每种已知材料在 ICSD 晶体数据库里首次报道的年份排序。在约 1 万个留出的已报道材料上，它找回 52.4%，它所扩展的原模型为 47.0%，打乱年份后为 48.4%，三者阈值相同，随机为 8.1%。只用截至 2018 年报道的材料训练时，它排在前 100 的组成里有 7 个后来被报道，基线为 3 个。

为什么重要：生成模型提出候选材料的速度已远快于实验室能尝试的速度，问题变成先做哪个。可合成性模型通常把每个已报道材料当作同等的样本。这个模型把报道顺序当作额外的免费监督信号，作者的理解是：这个顺序记录了哪些前驱体、方法和应用让每种材料变得可以做出来。打乱年份的对照，把大部分收益落在顺序本身，而不是多加的那项任务上。

证据与边界：所有检验都在已有数据库上完成。作者说，从历史中学习可能偏向已被研究过的化学体系，给尚未探索的家族打低分。模型只看组成。作者说，差距最大的是较晚截止年份的前 100 名，统计不确定性也更大。预印本。

作者 Junkil Park、Aron Walsh

发生了什么：这家初创公司发布了它所说的第一个完整的有限单群分类计算机可检查证明；该定理已发表的证明分散在 500 多篇论文里，约 1.5 万页。在公司数学家和工程师指挥下，几十个智能体写出约 4310 万行 Lean，依照第一代证明，并复用 Qiuzhen-CFSG 项目的 120 万行。群论学家 Richard Lyons 和 Ronald Solomon 担任顾问。证明以 Apache 2.0 许可公开。

为什么重要：代数、数论和组合学里许多结果只用一句话引用这个定理；现在它底下的每一步都能由机器检查。这项工作还发现已发表证明中有 34 处需要修补。最大的一处在 John Walter 1986 年关于“不平衡群定理”的论证里，公司的证明器借助 Solomon 1976 年的工作走了另一条路，证出一个新定理，团队把它写成了论文。9 月 Claude 形式化费马大定理用了 1300 万行。

证据与边界：数字和修补清单都来自 Axiom 自己，项目之外还没有群论学家报告核查过结果；形式化的定理陈述是否就是分类定理本身，仍要靠人去读。编译整个证明需要将近一天，还依赖尚未并入上游的 Lean 构建工具改动。

作者 Dean Cureton、Vasily Ilin、Bhavik Mehta、Niels Voss

发生了什么：波鸿鲁尔大学 ICAMS 的 Sarath Menon、Braulio Sánchez Ortega 和 Ralf Drautz 在基础原子间势 GRACE 之上加了一层线性修正，用模拟中算出的自由能来拟合，让相变温度落到 SGTE 评估值上。11 种金属、14 个相变，修正后全部落在设定的容差内：熔化 15 K，固固相变 50 K。偏差最大的是金：GRACE 算出的熔点是 844 K，修正后 1346 K。钛的整个流程用了约 55 个 H100 GPU 小时。

为什么重要：基础原子间势从 DFT 数据中学习，相稳定性上每个原子几个 meV 的误差，就能让熔点偏出几百 K。这层修正只调整各相之间的平衡，不碰基础模型：它只需要模型算出的能量和结构，不需要参数或训练数据，所以原则上任何势都能加，开源的、闭源的都行。铜的熔化曲线只在零压下拟合，修正后到 4 GPa 都与实测相差不到 15 K。

证据与边界：修正后的温度是按 SGTE 值拟合出来的，作者自己说，命中这些值是校准，不是预测。这层修正只能重新平衡基础模型已经描述的相，补不了缺失的物理，比如磁性。修正幅度大时也会带动别的性质，多数更接近实验：液态金和银的密度高了 3% 到 6%，但钒和铝的空位能离实验值更远。

作者 Sarath Menon、Braulio Sánchez Ortega、Ralf Drautz

发生了什么：在 2026 年 ESMO 大会上，宾大 Abramson 癌症中心的 Melina Marmarelis 报告了 ISM6331 的首批人体数据。这款口服药由英矽智能用 Chemistry42 生成式平台设计，阻断 Hippo 生长通路末端的 TEAD 蛋白。到 8 月 14 日截点，36 人每天服用 15 到 130 毫克。30 毫克及以上、可评估的 22 名间皮瘤患者中 4 人部分缓解，疾病控制率 68%；130 毫克组 5 人中 2 人缓解。未见剂量限制性毒性，8.3% 出现药物相关 3 级不良事件。

为什么重要：TEAD 长期以来很难用小分子阻断，而间皮瘤在一线治疗失败后可选的药很少。一款英矽智能称由其生成式模型设计的药，如今在此前接受过多达六种治疗的患者身上让肿瘤缩小；血液中 CCN2（一种由 TEAD 开启的蛋白）水平持续下降，提示药物在患者体内作用到了靶点。视后续数据，英矽智能计划做一项随机 2a 期试验来选定剂量。

证据与边界：这是一项仍在剂量递增、没有对照组的单臂 1 期试验，公开的只有公司对这场报告的概述。标题里的 40% 是 5 人中的 2 人。新闻稿除了点名 Chemistry42，没有说明模型具体做了什么；1 期缓解率也不能证明能延长生命。

作者 Melina Marmarelis

发生了什么：字节跳动 Seed 与北大的 Ruichen Li、Ji Chen、Weiluo Ren 等人把实空间波函数拆成两半：空间部分由神经网络（LapNet）计算，自旋部分按构造只有一个确定的总自旋。此前的神经网络方法是在训练中加自旋惩罚项，波函数可能卡在自旋混杂态。它算出的双自由基分子单重态与三重态能隙与实验相符，精度与惩罚法相当；还给出了 [Fe2S2] 的反铁磁自旋阶梯和一个 [Fe4S4] 簇的自旋能隙。

为什么重要：铁硫簇是生物固氮的关键，它有许多能量几乎相同的自旋态，DFT 等常规方法、甚至 CCSD(T)，在这里都可能出错。自旋按构造写进去，计算就不会漂到错误的自旋态；化学家自己的概念（核心与活性轨道、对自旋如何耦合的初始猜测）也能写进网络。只用 10 个活性轨道，它就重现了 DMRG 要用 32 个轨道才得到的 [Fe2S2(SCH3)4] 局域自旋趋势。

证据与边界：全部是计算结果。铁硫簇没有实验参照，只和其他计算（FCIQMC、DMRG）比较；对 [Fe4S4]，作者说三种方法能隙的高低不能归因于任何单一因素。2025 年 11 月的预印本称这个能隙「更准确」，正式发表版删去了这一说法。只有双自由基的能隙对照了实验。

作者 Ruichen Li、Ji Chen、Weiluo Ren

发生了什么：英国内阁办公室宣布成立 AI 生物安全实验室，一家独立非营利机构，官方称其为全球首个专做 AI 生物安全的组织，目标是更早发现生物威胁、加快疫苗等应对手段的开发。OpenAI 通过 Rosalind Biodefense 项目投入 1 亿英镑的算力与模型额度，Anthropic 提供最多 1 亿英镑的额度、模型访问和技术支持。谷歌 DeepMind 和 Basecamp Research 以研究伙伴身份加入，不出资。

为什么重要：3 亿英镑这个数字里，公共资金是 1 亿；其余是额度和模型访问权，不是现金，两家研究伙伴出模型，不出钱。它还把前沿实验室放进了国家职能里：国家 AI 生物安全计划把它与英国卫生安全局、动植物卫生局和国防科技实验室放在一起，并与药品和保健品监管局合作，为 AI 设计药物的监管提供依据。

证据与边界：没有预算细目、时间表和人员名单，科学顾问委员会也尚未公布。Anthropic 的 1 亿是「最多」，页面也没说额度要在多长时间内用完。

发生了什么：多伦多大学、美国国家标准与技术研究院和阿卜杜拉国王科技大学的团队，把深度集成与损失景观给出的不确定性做了对比：带隙和形成能用 ALIGNN，溶解度用多层感知机。校准方法从域内到域外的泛化时好时坏，而校准后的不确定性在分布外的主动学习中，总体上没能减少所需的数据量。同样任务上的随机森林和 XGBoost 也呈现同样差的不确定性质量。

为什么重要：主动学习按不确定性挑下一个样本，而一场瞄准新化学空间的实验，按定义就在分布之外。树模型上出现了和神经网络一样的失败：作者说这至少部分源于数据，而不只是模型容量。

证据与边界：全部是计算结果，基于三个公开的性质任务。结论针对的是这些架构、这些校准方法和这些数据集，不是证明任何校准都不可能奏效。已经过同行评审。

作者 Ashley S. Dale、Jason Hattrick-Simpers

发生了什么：百时美施贵宝（BMS）领投；公司称投后估值约 30 亿美元，2025 年 5 月 3.65 亿美元 D 轮时为 16 亿美元。Pathos 总部在纽约，2022 年由 Eric Lefkofsky 和 Ryan Fukushima 联合创办，现任 CEO 为 Iker Huerga。它从别的公司引进药物，用名为 Foundry 的智能体平台挑选患者、调整试验。BMS 获得 Foundry 的非独家使用权和神经科学领域三年独家权；Tempus 将建一个神经疾病患者数据集，Pathos 以五年 5500 万美元获得授权。

为什么重要：Pathos 把 AI 用在决定试验成败的那些选择上：选哪一个现成药物去做试验、给哪些患者用、什么时候改试验方案。它不设计分子。一家药企领投并取得平台使用权，说明至少有一家大药企愿意为这种 AI 用法出钱；这笔交易还把方法从肿瘤带到阿尔茨海默病，一个试验周期长、失败多的领域。BMS 数据与定量科学负责人 Simon Davies 在公告中代表 BMS 发言。

证据与边界：这轮融资、估值和合作条款都来自公司 10 月 23 日的两份新闻稿；两份都没有点名其他投资方，也没说 BMS 除入股外是否为平台使用权另外付费。Foundry 找到了从康宁杰瑞（Alphamab）引进的抗体偶联药物 JSKN016、提高了试验成功率，都是公司自己的说法：按它的方法做的试验，还没有公布任何结果。

发生了什么：Bo Wang、Ci Chu 等人在 X-Scientist 的配套文章里介绍 X-Automate：一只市售六自由度机械臂，装上相机、自制夹指和自写的控制软件，由同一套智能体系统指挥。第一个目标是安捷伦的 HPLC：没有电动门，托盘几乎没有容错余量，抽屉一碰就移位。公司自家实验室里连跑七天，一台移动机器人和这只机械臂装载并分析了 18 块板，HPLC 占用率 97.2%，公司对工作日白天排班的建模为 53.6%。

为什么重要：蛋白设计团队现在每周能做出上千个候选，而告诉他们哪些成了的那一步测量，要等人来开一扇门。Xaira 的做法是把视觉放在机械臂上，而不是预先示教位置，这样一只臂才能在本来没打算自动化的仪器之间换着用，也绕开了仪器厂商的付费接口。公司说现在把这只臂适配到另一台仪器需要几周，而不是几个月。

证据与边界：公司博客文章，没有论文，由公司自己报告自己的演示，并把这一周称作技术概念验证。只有一台仪器、一周时间，而 80% 的对照是公司建模出来的排班，不是实际跑过的。上游存板环节有四次中断需要人工恢复，公司说没有由机械臂或智能体造成的差错。板子都做了分析，但没有报告科学结论。

作者 Bo Wang、Ci Chu

发生了什么：复旦向红军与龚新高的团队，做了一个等变图网络，同时预测电荷密度和投影缀加波的增强占据数。此前的通用模型只给赝电荷密度，无法一致地重建电子结构。可训练的径向基加上处理电荷转移的 Δ-learning，使它比此前的电荷密度模型快 50 到 150 倍；在 1,000 个未见材料上，能带能量误差中位数为 0.045 eV。

为什么重要：电荷密度正是密度泛函理论要解的量，所以一个能在真实计算所用精度上复现它的模型，可以替掉昂贵的自洽步骤，而不只是预测某一个性质。让这件事成立的，是那组增强占据数。

证据与边界：全部是作者自己的计算结果。通用模型覆盖的是非磁性结构。速度是在一块 GPU 上对照另两个机器学习模型和平面波 DFT 测出来的。已经过同行评审。

作者 Xiwen Li、Hongjun Xiang

发生了什么：香港科技大学团队把 55 个数据库的晶体按结构跨库匹配，合成一个 1460 万条晶体、1.318 亿条属性值的集合，其中只有 4.5% 的晶体-属性对真有数值。各给 100 次验证预算，以 400 GPa 为条件的 MatterGen 给出 100 个高刚度命中，正向筛选给出 55 个；但生成的命中全部含锇，82 个重复了已记录的成分，而筛选的最佳命中更硬：433.8 GPa 对 375.4 GPa。

为什么重要：新颖率衡量的是参照集，和衡量生成器一样多，而通常的参照只有 Materials Project 一家。对照全部 55 个来源，GNoME 的匹配数从 1 条变成 18,234 条，新颖率从 100% 降到 96.7%。正向筛选还找出 53,813 个没有体模量记录的超难压缩候选；其中 62 个已被做出，ReN2 的实测体模量为 428 GPa。

证据与边界：全部是计算结果，外加一次文献审查：ReN2 的 428 GPa 是已发表的测量值，不是这里做的新实验，而筛选给它的预测是 349 GPa，比实测低 18%。那两次 MatterGen 运行是作者自己用公开权重跑的。预印本。

作者 Zhilong Song、Zijun Pang、Lixue Cheng

发生了什么：洛桑联邦理工与弗里堡大学的团队，把 PET-MAD 势在 r2SCAN 数据上微调，对 Li6PS5Cl 做大规模分子动力学，按链长和覆盖度筛选羧酸、磺酸与膦酸涂层。模拟给出的结论是：锂化头基吸附更强，长链锂化羧酸形成致密的刷状疏水层，保护效应在 8 Å 左右起效。随后做了红外、阻抗和 H2S 实验。

为什么重要：闭环只合上一半：模拟定出链长，H2S 实测与之同向，更长的羧酸链确实更能抑制它。它也把矛盾摆了出来，而不是藏起来：涂层越厚越挡锂离子传输，所以最优解是中等链长。

证据与边界：只有一种电解质 Li6PS5Cl，势也是作者自己微调的。40% 到 55% 是加工后剩下的比例，不是提升。实验本身无法给头基排序，论文自己写明了这点。预印本。

作者 Zhiyi Wang、Leonie Braks、Hanna Türk、Davide Tisi

发生了什么：海德堡大学的 Tetsuya Yamada 与 Henrik Kaessmann，以及马普演化人类学研究所的 Svante Pääbo，预测了人类谱系上每一个特有单碋基替换在 305 种组织和细胞类型中的调控效应。71,345 处增强里，大多数并不在演化研究者此前标记为快速变化的区域内；而且它们更多来自一个调控元件被挪到新组织里复用，而不是新元件的出现。

为什么重要：哪些非编码改变让人成为人，这个问题一直卡在拿不到的数据上：类人猿的组织样本本就稀少，而对已灭绝的古人类根本无法做功能测量。序列模型绕开了这一点，因为它给重建出的祖先等位基因打分，和给活人的一样容易。这里真正的收获是与古人类的比较：如今在人类中固定下来的增强，几乎每一处在分离之前就已存在，所以现代人特有的那些数量很少，论文也点出了其中哪些对基因表达影响最大。

证据与边界：这张图谱是预测，不是测量。在能核对的地方，也就是四种类人猿细胞系里实测的开放性上，AlphaGenome 胜过 Enformer 和 ChromBPNet，最强的那批判断有 82.7% 与实测一致，对照组为 31.1%；但按阈值不同，它只能召回实测人类特有改变的四分之一到二分之一，而且漏掉成簇增强的概率高于孤立的。预印本。

作者 Tetsuya Yamada、Henrik Kaessmann

发生了什么：北京大学 Jihan Zhou 团队在重构之后加了一个两段式网络：先用 ResUNet-3D 的变体修正整个体数据的几何畸变，再用集合 Transformer 读取每个原子周围电子密度的形状，判断它是哪种元素。在 17,340 个模拟样本上训练、42,588 个上评测，典型噪声下坐标误差中位数从 0.244 Å 降到 0.100 Å，原子恢复率从约 93% 升到 99%，元素判对率 99.5%。

为什么重要：剂量是把原子级断层术限制在耐束材料上的原因，而这把人们真正想测的大部分材料都挡在外面。这里的收益在后处理，不在显微镜，所以已经存下来的倾转序列可以重读一遍：把一套已发表的 Pd@Pt 序列减到六分之一剂量，在峰形锐度和重复性上追平全剂量的常规重构。

证据与边界：这篇论文没有采集新的实验数据：唯一一次演示用的是已发表的倾转序列，事后减薄，投影数也减半。其余数字全部来自模拟；至于能否用到钙钛矿这类对束敏感的材料上，依据也只是模拟。已经过同行评审。

作者 Yao Zhang、Lanyi Cao、Zhen Sun、Jihan Zhou

发生了什么：KAUST 与卡罗林斯卡的团队，把基于图像、基于转录本和多模态的分割方法（从 Watershed 到 Cellpose、Baysor，以及 Segment Anything 的三个版本）跑在 5 个平台、12 种人和小鼠组织的 15 套数据上。按他们的综合分，Segment Anything 以 0.58 领先，Watershed 以 0.27 垫底；但把各方法找到的细胞数算进去，领先的就换成 SCS，换一套数据排名也会变：细胞形态分明时 SAM 占优，形态相近时 SCS 更好。

为什么重要：分割是所有空间组学结果的立足点，因为它决定哪个转录本属于哪个细胞。这项横评显示，这个选择一路影响到细胞类型比例、相邻细胞之间信号的渗漏程度，以及推断出的配体与受体配对。也就是说，一项已发表的空间学发现，依赖的是一个没有标准的步骤；文中发布的流程就是想让这种比较可重复。

证据与边界：没有真实的细胞边界可供对照，所以这些指标都是生物学代理：表达纯度、标记基因、与参照比对的细胞类型比例。作者自己说，平台设计、图像质量和基因 panel 的影响无法与算法完全分开，而他们的基因集敏感性测试只在一套数据上做过。11 种里有两种（Swin-S 与 Cascade Mask R-CNN）未计入打分比较。已经过同行评审。

作者 Xabier Martínez-de-Morentin、David Gomez-Cabrero、Jesper Tegner

发生了什么：在 2026 年 ESMO 大会上，Iambic 公布了 IAM1363 的 1/1b 期最新数据，这是它用自家模型设计的 HER2 抑制剂。到 8 月 31 日数据截点，已有 122 人用药。在每天 960 毫克及以上、带可成药 HER2 变异的 53 人中，36% 出现部分缓解，38% 疾病稳定；在 22 名肿瘤已到脑部的患者中，9 人缓解、12 人稳定。用选定剂量每天 960 毫克的 68 人里，5.9% 出现与药物相关的 3 级不良事件，无人出现 4 级或 5 级。

为什么重要：一家公司称由自家模型设计、并从项目启动到进入临床只用了约两年的药，如今已进入人体试验的第二年。这些患者此前治疗很多：转移阶段中位用过三种方案，其中 61% 用过 T-DXd、36% 用过 tucatinib，缓解率必须放在这个背景下读；脑部的那组数字之所以要紧，是因为这些患者可选的办法很少。Iambic 的招股书把净募资 1.35 亿美元中的约 7500 万投向这个药。

证据与边界：这是一项没有对照组的单臂 1/1b 期试验，公开的只有公司对一张会议壁报的概述：没有缓解持续时间的中位数，公司强调的持续性是点名的个别患者。缓解率来自公司选定的子集：122 人中的 53 人，脑部肿瘤为 22 人；两种既往药物都用过、仍有颅内缓解的是 3 个人。公告没有说明模型做了什么；1 期的缓解率也不能证明这个药能延长生命。

发生了什么：Lightspeed 领投，Premji Invest、Mayfield、IVP、Lux、Conviction、Menlo Ventures 等 18 家参投，天使投资人里有 OpenAI 首席研究官 Mark Chen 和首席财务官 Sarah Friar。公司在南旧金山，是一家合同研究机构（CRO）：由化学家主导，为找药的团队合成先导分子的各种类似物。联合创始人是 CEO Kevin Weil、首席科学官 Sol Reisberg（曾在 Terremoto Biosciences 负责药物化学）、CTO Manohar Paluri（前 Meta 超级智能实验室副总裁、FAIR 创始成员）和 COO DJ Patil（美国白宫首任首席数据科学家）。

为什么重要：Weil 的理由是：AI 让软件和数学快了很多，化学却没有，因为化学只有在有人真把化合物做出来、测过之后才往前走。一家替药企做这类工作的实验室，同时也在产出训练更好模型所需的实验数据；Warp 说自己不做自有药物。另一半理由是地点：新闻稿提到 2025 年底签署的《生物安全法案》（BIOSECURE Act），它为限制涉及指定生物技术公司的联邦采购和资助建立了框架；Warp 说，它让客户更能决定研究和知识产权放在哪里。

证据与边界：这轮融资来自公司自己的公告，公告没写是哪一轮。8.65 亿美元的投后估值出自媒体报道，引述的是公司和 Weil，不在新闻稿里。公开记录里还没有任何自动化成果：新闻稿说的是正在建的实验室和由化学家主导的第一项服务，官网也没有点名客户，只说目前与少数「设计伙伴」合作。

发生了什么：谷歌 DeepMind 与谷歌研究院联合世界资源研究所和国际应用系统分析研究所，发布 Forest Typology 2020，把全球每个 10 米地块分为六类，从原始林到速生林场、树木作物和其他土地。它基于 AlphaEarth Foundations 嵌入，在 8,190 个专家标注样点上总体判对 90.2%，已在 Earth Engine 开放。

为什么重要：欧盟法规看的是一块地 2020 年是什么，而不只是有没有树；只看林冠的地图分不出自然林和被伐后改种的林场。这张图把两者分开了。

证据与边界：90.2% 主要由面积最大的「其他土地」撑起；分类看，F1 从原始林的 82.9% 降到人工林的 58.2%。精度是在共同开发方国际应用系统分析研究所的 Geo-Wiki 平台上评定的。

作者 Maxim Neumann、Anton Raichuk

发生了什么：微软 AI 的 Harsha Nori、Eric Horvitz 等人搭了一个基准：每个病例只给一段简短的主诉，诊断者要先问诊、开检查（每项都计费），再下诊断。其编排系统 MAI-DxO 让多个语言模型智能体扮演会诊小组。在《新英格兰医学杂志》临床病理讨论病例上正确率 83.2%，在 MIMIC-IV 急诊入院病例上 80.3%；全科医生分别为 36.1% 和 46.8%。论文作者之一、微软 AI 首席执行官 Mustafa Suleyman 称这是迈向「医学超级智能」的一步。

为什么重要：这个基准 2025 年 6 月先以预印本发布，如今经过同行评审。它按医生的工作方式考诊断：不是读完完整病历后选答案，而是决定问什么、哪些检查值得花钱。把费用和准确率一起打分，就能评判一个系统是否少开了检查，而不只看它答没答对。《科学》版本增加了急诊病例和更新的模型。

证据与边界：病例是已发表的记录，在模拟中运行，没有看任何真实病人。医生是单独作答，而这类病例通常由专科医生处理，专科医生没有参与对比。据 TechCrunch 报道，提升很大一部分来自底层模型：GPT-5 单独在疑难病例上就有 78.9%，在急诊病例上编排系统几乎没有加分。

作者 Harsha Nori、Eric Horvitz

发生了什么：Carbon-X 由 Hugging Face 与中关村学院、那不勒斯的 TIGEM 合作开发，以 Qwen3-14B 为起点，再训练 3020 亿个 token（其中 55% 是原始 DNA），然后调成能回答聊天中粘贴的序列的问题。在五项 DNA 基准上平均 66.7%，GPT-6.1 Sol 为 67.5%，Opus 5.5 为 60.9%；在编码区变异效应（74.9%）和下一碱基预测上胜过所测的所有模型。权重以 Apache 2.0 开源，一张 80GB GPU 即可运行。

为什么重要：DNA 模型通常输出要科学家自己解读的分数，而聊天模型也许能讲清一个基因做什么，却难以判断它序列里的一处改变。Carbon-X 把两者放进一个实验室能在自己硬件上运行的开源模型里，未发表的序列或患者序列不必发给外部 API。团队估算，用 Carbon-X 给 ClinVar 中 240 万个意义未明的变异打分约需 300 美元，用所测的前沿模型要 3.2 万到 400 万美元，这个区间之所以这么宽，是模型和推理强度的差别。

证据与边界：所有分数都是团队自己测的，五项基准中有两项是团队自建的。没有任何实验室或临床测量，团队也说明模型未经临床验证。在插入缺失、长序列中的单碱基变异和序列特征问答上，前沿模型仍然领先；Carbon-X 在长序列里会数错碱基。成本也不是同一口径：Carbon-X 按每小时 5 美元的 H200 实测吞吐算，前沿模型按 API 挂牌价算。

作者 Loubna Ben Allal、Diego di Bernardo

发生了什么：公司的研究笔记和预印本给出一个四步循环：训练各有所长的小专家模型；把回答拆成可检验的要求，只有在专家优于当前答案时才接受其贡献；把接受的部分写入目标模型；再从这个模型重新专长化。在 4B 和 8B 设置下，它在所比较的方法中于五个科学基准上均列第一，科学推理 55.0%，GRPO 为 53.0%。以 8B 专家、27B 为目标时，七个基准全部提高，均值从 87.3% 升到 94.0%。

为什么重要：多数科学模型训练一次之后就停在那里，实验室想要一项新能力，就再训练一个新模型。这里的主张是小模型的长处可以搬进更大的模型，8B 到 27B 那组实验就是对它的检验；而起作用的是筛选：去掉验证这一步，同样的监督把科学推理从 55.0% 降到 50.6%，把同量反馈随机打散则再降 6.3 和 12.1 个百分点。开放的 80 亿参数检查点，让公司以外的人可以检验这套做法产出了什么。

证据与边界：只有基准分数，全部出自公司自己，由其内部评测，未经同行评审。研究笔记自己写明：这份报告尚未证明反复循环能持续累积收益；27B 那组实验同时换了模型代次，因此单独报告。模型卡说开放的检查点是对一个已有检查点的改名与再发布，不是一次新的训练。所谓第一，是在所比较的方法之中，不是对整个领域。

作者 Xun Xu、Zaixi Zhang

发生了什么：洛桑联邦理工 Michele Ceriotti 的团队，把放弃显式 O(3) 代数、改用边-边注意力的 Point-Edge Transformer，用在分子偶极与极化率、NMR 化学屏蔽张量和电子密度的辅助基展开上。骨干网络越大，精度和等变误差同时改善。它以更低的推理成本追平或超过已发布的模型；电子密度要换一个更合适的训练目标才行。

为什么重要：严格等变的网络，为这项保证付出的代价是张量积的开销随角动量阶数陡增，而且一旦截断就可能表达不了目标。屏蔽张量和基展开这类目标正是受影响最重的地方。改成把对称性学出来，就绕开了这个取舍，前提是近似的等变性够用。

证据与边界：全部是作者自己的计算结果。这里的等变性是近似的，不是保证的；作者只说它对多数可观测量影响很小，没有说对所有。电子密度是最弱的一项：它的等变误差随角动量阶数增大，二阶以上随骨干网络增大的下降速度也不比对称化误差更快。预印本。

作者 Joseph W. Abbott、Michele Ceriotti

发生了什么：杨百翰大学的 Gus Hart 与美国能源部堪萨斯城国家安全园区的 Jacob Pursley，用 14 个通用机器学习势在 145 万个有序金属间化合物上对照 AFLOW 测试，这个数据库没有一个模型训练过。一半的结构上，AFLOW、Alexandria 和 OQMD 之间相差不到 6 到 8 meV/原子，但少数结构差得多，把平均值拉到 16 到 30。重新对齐参考后，最好的势与 AFLOW 的一致程度和 Alexandria 与 AFLOW 的一致程度相当。

为什么重要：排行榜用对照单一数据库的形成能误差给这些势排名，仿佛那个数据库就是真值。独立数据库之间的分歧给这类数字设了下限，而顶尖模型现在就贴在这个下限上。剔除错误的单质参考后，能量排名与稳定性排名几乎处处一致；在同一几何结构上打分，领先模型 7 meV/原子 的优势缩到 0.4。

证据与边界：全部是计算结果：比的是数据库与模型，没有新的测量。只覆盖金属间化合物，作者选它是因为 DFT 在这类体系上相对准确。预印本。

作者 Gus L. W. Hart、Jacob N. Pursley

发生了什么：卡尔斯鲁厄和马堡的统计学家，在同一套实验设计下把 Pangu-Weather、GraphCast 和 Aurora 与欧洲中期天气预报中心的 HRES 放在一起比。只对真实发生过的极端事件打分时，HRES 胜出；改用加权评分函数时，AI 模型胜出。列联表给出了原因：AI 模型预报极端事件的次数少于其实际发生次数，所以漏报支配了它们的分数；HRES 比 AI 模型预报得更频繁，所以虚报支配了它的分数。

为什么重要：已发表的研究对 AI 模型在极端事件上的表现各说各话，而这篇说，分歧主要出在评估协议上，不在模型本身。分数差异的分解把原因归到校准，而不是区分能力：各模型分辨极端日与普通日的能力大致相当（Pangu-Weather 最弱），而列联表显示 AI 模型只是在开口说出来时过于保守。这是个可以修的问题，与「看不见这个事件」是两回事。

证据与边界：全部是计算结果，对照的是四个模型的初始化分析场（作者说这反而略微有利于 HRES），不是台站观测。只有一个物理模式和三个 AI 模型，而且限于这里选定的变量和预报时效。这是 NeurIPS 2026 的工作坊论文，篇幅和评审都比期刊论文轻。

作者 Tobias Biegert、Sam Allen、Zhongwei Zhang、Sebastian Lerch

发生了什么：Chengming Zhang 与陈洛南，以及东京大学的 Kazuyuki Aihara，把一个分层模型的隐空间拆成因果因子和虚假因子两部分，只对因果那一半施加 do-calculus，再递归地重建各层调控关系。在合成数据、干细胞分化、CRISPR 激活筛选的 31 个单因子和 26 个双因子条件（部分留出）、2 型糖尿病多组学和肠道微生物组数据上，多数设定下它识别因果触发因子好于所比较的方法。

为什么重要：从单细胞数据里读出的调控网络大多建立在相关性上，于是一个随状态改变而变化的基因，与一个驱动这种改变的基因无法区分；而这正是「值得去扰动的靶点」和「不值得花实验时间的靶点」之间的差别。把干预本身而不是关联编码进模型，是换一条路解决这个问题，产出是一份待验证的候选名单。

证据与边界：全部基于公开数据计算，没有新实验。作者自己说，推断出的触发因子里可能仍混有虚假的生物学信号；所谓的计算机内扰动只是对方向的定性读取，不是对幅度的预测；而且在他们自己一部分扰动基准上，简单的加性基线依然表现不错。结果还依赖所假定的调控层级。已经过同行评审。

作者 Chengming Zhang、Deyu Cai、Kazuyuki Aihara、Luonan Chen

发生了什么：南京大学、香港中文大学与新加坡国立大学的团队把问题拆成两步：先在预训练的结构隐空间里生成 RNA 构象，再预测把它摆到蛋白上的接触关系，而不是把构象和位姿一起生成。在按时间留出的 124 个蛋白-RNA 复合物上，它在复合物复原指标上领先 ODesign、RFDpoly、RNAFlow 和 NACraft，DockQ 为 0.131，次优为 0.116。124 个目标里有 20 个 DockQ 达到 0.23。

为什么重要：能结合指定蛋白的 RNA，既是试剂的路径也是药物的路径；与蛋白结合体设计不同，它一直难以企及，原因之一是已解析的蛋白-RNA 结构太少。这篇论文钉住的是：不给结合位点时，技术现状到了哪里：五个方法，最好的那个在六个目标里只有一个复原出天然位姿。

证据与边界：全部是计算结果，没有合成，也没有结合测量；作者自己说，结构复原既不能证明亲和力，也不能证明活性。头部排名是在生成之后用天然界面从模型自己的候选口袋里挑选，所以不是盲测。RiboBridge 的原子碰撞也多于两个基线方法，序列复原率亦非最高。预印本。

作者 Zhou Zhang、Hanqun Cao、Tianfan Fu

发生了什么：INTerpath-001 将 1,137 名已切除的 IIB-IV 期黑色素瘤患者按 2:1 随机分组：一组用 intismeran（一种 mRNA，编码从每位患者肿瘤测序中挑出的最多 34 个新抗原）加 KEYTRUDA，另一组用安慰剂加 KEYTRUDA。中位随访 24.6 个月后，两年无复发生存率为 82.2% 对 70.0%（HR 0.58），远处转移或死亡风险降低 38%（HR 0.62）。数据将在 ESMO 2026 主席专场报告，论文已被 NEJM 接收。

为什么重要：此前只公布了顶线结果。两组要到六个月后才拉开，也就是最多九剂疫苗打完之后：前六个月 HR 为 0.99，之后在预设的敏感性分析中为 0.42。如果获益来自疫苗针对每位患者所选新抗原建立的免疫反应，正应出现这样的时间规律。默沙东说已在与监管机构沟通。

证据与边界：这些数字由默沙东和 Moderna 在大会报告和论文发表之前公布。总生存期尚不成熟，新闻稿只说「有利趋势」，没有给数字。试验检验的是整个产品，无法说明新抗原的挑选方法比别的选法多贡献多少。3-5 级治疗相关不良事件为 14.2% 对 13.4%。

发生了什么：RFD4-Proteina 来自华盛顿大学蛋白设计研究所与英伟达（David Baker 为通讯作者），在一个共享潜空间里设计蛋白质、DNA、RNA 和酶，用推理和引导搜索，而不是每类任务各用一个专用模型。对经 AlphaFold3 回折的设计，蛋白结合体通过率 10.6%，BindCraft 为 5.9%，通量是其 42 倍；在小分子、酶支架和 DNA 结合任务上也都高于所测的每一种方法。实验室里，188 个设计的 TrkA 结合体有 158 个结合低于一微摩尔。

为什么重要：蛋白设计一直是每种活各用一个专用工具：骨架、结合体、酶、DNA。RFD4-Proteina 把它们合进一个模型，还能处理修饰氨基酸、糖和核酸，并在这四类上都更强。真正要紧的是湿实验：多类靶标上的设计都被做了出来并测量，其中一个设计的酶把 HIV 药物来那卡帕韦合成中的一个中间体转化了 79%。一个从头设计的催化剂做了药物化学里真实的一步，比以往从头设计的酶走得更远。

证据与边界：预印本，未经同行评审，且所有湿实验都是作者自己做的，目前没有任何独立验证。在算法层面，“通过”指 AlphaFold3 回折与目标相符（用一个模型检验另一个模型），而通过率的绝对值并不高（DNA 结合体仅 3.5%）。结合体和酶的成功是作者自己检测里的计数，不是外部实验室的；酶的结果只是单个概念验证。

作者 Nathaniel Corley、Kieran Didi、David Baker

发生了什么：谷歌研究院的 A. Ali Heydari、Daniel McDuff、Xuhai Orson Xu 等人在 Gemini 2 上搭了一个编排器，调度三个智能体：一个对 Fitbit 和血检数据写代码做分析，一个对照资料核对健康知识，一个做健康教练。数据来自 1,165 人参加的 WEAR-ME 研究。11 项任务、1,350 小时的评估中，45 名用户有 46.7% 的次数把它排第一；三名健康专家给它的总体质量打 72.8%，三个智能体各自作答为 64.3%，单一智能体为 54.4%。

为什么重要：问自己的可穿戴数据，需要写代码、做统计；做健康教练，又需要另一种说话方式；作者发现单个模型难以兼顾。把活拆开，每一部分就能单独检验：数据分析智能体的分析方案得分 75.6%，普通 Gemini 为 53.7%；它写的代码首次通过专家单元测试的比例为 75.5%，普通 Gemini 为 58.4%。框架和基准都以 Apache 2.0 开源，其他团队可以换上自己的模型。

证据与边界：所有结果都是对话评分，不是健康上的测量：参与实测的用户扮演研究中的人物，而不是问自己的数据，也没有检验行为是否改变。数据只来自 Fitbit，部分评分由模型打分；每轮回答平均 205 秒、调用模型 6.5 次，单一智能体为 36 秒。作者称它是研究原型，不是诊断工具。

作者 A. Ali Heydari、Xin Liu、Daniel McDuff、Xuhai Orson Xu

发生了什么：Mirendil 报告，一名研究员从空代码库起步做出 Mirendil-Base：智能体写了 99% 以上的代码，跑实验、查故障，研究员决定试什么、信什么。模型只学公开的代码、网页和数据集，没有蒸馏，花费包括全部算力和智能体用掉的 token。在训练结束后才发布的七个代码库上，它得到每字节 0.222 比特（越低越好），落后于 Kimi-K3 的 0.193，领先 GLM-5.3、DeepSeek-V4-Pro-Base 和 Nemotron-550B-Base。

为什么重要：预训练一个有竞争力的基础模型，过去要一支分管架构、数据和芯片的专家团队。如果一个人指挥智能体就能做到，稀缺的就变成算力和判断，专长在自己学科的团队（比如机器人实验室或医院）也可能用自己的数据训练模型。这是 Mirendil 的第一个成果，它融资时的说法正是：用 AI 做生物、化学的实验室不必自己变成 AI 实验室。

证据与边界：所有数字都是 Mirendil 自己的，出自一篇博客，没有论文、没有公开权重，也没有说出那位研究员是谁。唯一的分数衡量模型预测没见过的代码的能力，不是它能否完成编码任务；Mirendil 也指出 Kimi-K3 和 GLM-5.3 是后训练过的模型，这项损失通常会因此略高。更大的两个模型仍在训练中。

发生了什么：Jeonghyeon Kim 与 Philip A. Romero 通过 PEARL 把 GPT-5.6 Terra 接到一台标准 Opentrons OT-2 移液机器人和一个摄像头上，五个模型角色共用一份实验记录。只给目标，它十次全部拒绝执行做不到的指令；从颜色推断出有人中途把孔板转了 180 度；十次中有七次先稀释染料看清颜色再用。让它表征一个酶活测定，它自己选浓度和取样时间，剔除被加料的那一孔，并重做早期读数丢失的实验。

为什么重要：实验室自动化只会执行给定的流程，孔板被挪动或读数饱和就会卡住，除非事先写好了对应的检查。论文自己的对照说明这些行为出自哪里：在普通工具循环里，80 次执行全部没通过；让单个智能体保有一份持续的实验记录，通过率 60%；五角色版本 80 次全部通过。也就是说判断主要来自通用模型，脚手架买到的是稳定性，而这正是让一个只有普通移液工作站的实验室可以试一试、而不必自己造平台的条件。

证据与边界：八个场景都在一张实验台上由作者完成：配色，以及一个辣根过氧化物酶测定，其动力学常数与作者自己做的人工参照、以及已报告的文献数值相符，而不是外部实验室的结果。规划、适应、执行的评分由他们按自己的标准给出，扰动也由他们施加，因此没有检验真实实验室里不期而至的故障。颜色由一个对酶标仪校准过的摄像头读出。预印本。

作者 Jeonghyeon Kim、Philip A. Romero

发生了什么：AlphaVariant 把一个在同源天然蛋白上训练的序列生成器，与每轮实验数据后重新训练的活性预测模型配在一起。对洗涤剂用蛋白酶 savinase，两轮设计的文库中受测变体分别有 75.4% 和 83.8% 超过野生型，可改动位点从 25 个扩到 67 个；最好的变体在合成底物上活性为野生型 7.1 倍。第三轮还把耐热性和与专利的距离一并打分，32 个变体中有 3 个胜过商用蛋白酶 Uno 100 L。

为什么重要：定向进化的改进基本是一个位点一个位点取得的，因为组合数爆炸，实测数据又太稀疏，拟合不出覆盖它们的模型。这里有用的变体一次带着 8 到 16 个位点的改动，而最后一轮只用了 32 次实测：到这个量级，一种设计方法才值得占用企业的筛选预算，而不只是基准表上的一行。把与专利的距离放进奖励函数是少见的做法：可销售的自由度与性能被一起优化，而这是任何一种酶都得满足的约束。

证据与边界：所有测定和洗涤测试都由作者与产业合作方百斯杰完成，百斯杰已就这些变体提交专利申请；没有外部实验室检验过。洗涤测试用的是中国标准方法和一种污布，不是产品试验。7.1 倍来自以多肽为底物的动力学拟合，第三轮改用酪蛋白。在六个公开图谱上，明显占优的是其中三个，而它们的适应度由一个学出来的替代模型给出。预印本，CC BY-NC-ND。

作者 Xiaopeng Xu、Jie Wang、Xin Gao

发生了什么：Bo Wang、Ci Chu 等人在公司博客介绍 X-Scientist：主智能体规划并检验下属智能体的工作，后者调用生物信息学工具和公司自有模型。它提出 381 个基因扰动，用于逆转 TGF-beta 对 HepG2 肝细胞的作用；公司同时测试了科学家挑的 321 个和随机抽的 433 个，全部用 Perturb-seq 测量，回移达三个标准差才算命中。提出候选用了 20 分钟，人工挑选要三个多小时。

为什么重要：TGF-beta 是慢性肝病里纤维化的驱动因素，而该扰动哪些基因，正是生物学家要花上一个上午来定的事。这里测的是模型挑出的候选，而不是模型自己给出的分数：每个候选都被做成扰动、在细胞里读出结果。它有三个不在已知 TGF-beta 通路上的命中，效果超过通路内命中基因的中位数，也不在科学家的名单里，这才是这个闭环的意义：已知通路上的基因名单，科学家本来就有。

证据与边界：公司博客文章，没有论文，未经同行评审，比较的设置和打分都由 Xaira 自己完成。只有一种细胞系，报告的也只是它跑过的十二种处理中的一种；7.1% 与 6.9% 之差，远在 381 个和 321 个扰动能分辨的范围之内。并列的基准分数比的是同一批模型下的不同框架，不是生物学。目前还没有结果回流到模型里。

作者 Bo Wang、Ci Chu

发生了什么：AI Proteins 将针对安斯泰来选定的多个靶点，从头设计并优化微型蛋白。安斯泰来通过关联公司 Astellas Innovation Management 获得所有候选药物的全球独家许可，并负责开发、注册和销售。首付与里程碑合计超过 4 亿美元，另有销售分成。这家波士顿公司的创始人兼 CEO Chris Bahl 和安斯泰来创新实验室的 Morten Sogaard 代表双方发言。

为什么重要：这是 AI Proteins 的第二笔大药企交易，第一笔是 2024 年底百时美施贵宝的合作，也是最高 4 亿美元。微型蛋白是从零设计、而不是取自自然的小蛋白。百时美施贵宝拿到的是许可的选择权；安斯泰来则直接拿下独家许可，这次设计从一开始就是被当作未来的药物买下的。

证据与边界：新闻稿没有单列首付金额，也没说涉及几个靶点，更没有展示这项合作产出的任何分子。有一家行业媒体把 4 亿美元写成首付；新闻稿说的是首付与里程碑合计。

发生了什么：西湖大学的 Fengyuan Dai、Fajie Yuan 等人用 17 亿对蛋白-文本数据训练了一个 160 亿参数的模型：输入一段想要什么功能的描述，输出序列，手写的结构约束比以往少。做了四件任务：荧光蛋白、PET 水解酶、醇脱氢酶和代谢 H 蛋白，四个都测到预期功能，两个酶都测到催化活性。在一个体外重组的固碳反应里，设计出的 H 蛋白把产物产量提到天然大肠杆菌蛋白的 1.7 倍。

为什么重要：蛋白设计通常要么从一个天然蛋白出发做优化，要么要求设计者先把目标改写成模型能接受的几何与序列约束。这里目标就是一句话，而生成出来的东西不只是折叠成预测的样子，是真的催化了反应。更锋利的是那个 H 蛋白：在一个体外重组的固碳反应里，设计出的载体蛋白盖过了天然的那个，中间没有任何一轮实验优化。

证据与边界：各项任务的数字在扩展数据里，都不大：PET 水解酶从 2416 个筛后设计里检测 94 个，得到 1 个命中；醇脱氢酶测 8 个，成 5 个；H 蛋白从约 1000 个里选 20 个，5 个有活性。湿实验全部由作者自己完成。推理代码按 Apache 2.0 公开，权重仓库未声明许可；完整训练语料出于生物安全未公开，只提供给审稿人。

作者 Fengyuan Dai、Fajie Yuan

发生了什么：西湖大学原发杰团队与港科大（广州）、深圳先进院合成所及智峪生科，训练出 160 亿参数的 Pinal，数据是 17 亿对由机器写出的「蛋白质—描述」。它先按文字画出结构，再排出配得上的序列。荧光蛋白、降解 PET 的酶、醇脱氢酶和 H 蛋白四类设计都测到了所要求的功能；在一条固定 CO2 的通路里，设计的 H 蛋白产物量是大肠杆菌自身的 1.7 倍，中间没做实验优化。

为什么重要：设计模型通常要么从一个天然蛋白出发去改，要么需要人先把目标翻译成结构和序列上的约束。Pinal 接受的是一句话，这是另一种接口：生物学家说出蛋白该做什么，拿到可以拿去测的候选。模型权重放在 Hugging Face，代码是 Apache-2.0，这个主张谁都可以自己去试。

证据与边界：每个成功都出自标题看不见的漏斗：四类合计约 151 个设计进了实验，来自生成的数千个，降解 PET 的酶测了 94 个才留下一个。测量都由作者自己完成；训练语料出于两用风险没有放出。原发杰对《科技日报》说，基于语言描述的蛋白质设计仍处在概念验证阶段，更精细的指令，比如指定荧光蛋白的发射波段，是整个领域尚未解决的问题。

作者 Fengyuan Dai、Shiyang You、Tong Si、Fajie Yuan

发生了什么：OpenAI 称已收购 Orchestra Bio，一个统筹药物研发的平台，并把它的团队和技术并入 Rosalind。OpenAI 自己举的例子是：一个批次生产失败，可能拖慢临床试验的启动；Orchestra 的智能体会算出这会影响哪些活动和时间节点，收集相关信息，比较几种应对方式，然后由科学家和项目负责人决定。同一页面把诺和诺德和 Moderna 列为 Rosalind 的合作方。

为什么重要：Rosalind 此前是一个模型加一个工作台；这次补上的是追踪项目欠什么、什么时候交的那一层。OpenAI 用自己的数字来论证：在美国，从靶点发现到获批平均大约 10 到 15 年，期间团队要在内部各部门和外部合作方之间统筹，而系统彼此不通。所以这里卖的是统筹，不是预测，而且分工写得很明白：智能体负责盯和追，人来决定。

证据与边界：没有价格，OpenAI 的页面也没有点名 Orchestra 的任何人。约 2000 万美元的融资总额，是经 Decrypt 引用 Caplight 得来的，不是公司自己给的，种子轮规模也没说。两家公司都没有讲 Orchestra 有多少客户、现有合同怎么办，也没说智能体什么时候进 Rosalind。Orchestra Bio 不是纳斯达克上市的医疗器械公司 Orchestra BioMed。

发生了什么：Aniketh Iyengar、Benjamin Siranosian 等人在公司博客上报告。Omnii-1 重写了 gp17 的 DNA，T7 噬菌体用这个尾丝蛋白识别大肠杆菌。在与天然蛋白相差 11 到 15 个氨基酸处，69.9% 的设计在组装后被回收到，随机对照为 4.8%；有活性读数的 6694 个变体中，2161 个的富集高于天然噬菌体。一份含这些设计的制剂在体外清除了某位患者的耐药菌株，随后给这位患者使用。

为什么重要：一个模型的设计进入了对人的治疗，而不只是停在实验室：公司称这是 AI 生成噬菌体的首次临床使用，走的是经批准、由医生主导的同情用药途径。模型写的是已知 T7 基因组里的一段区域，不是一个基因组。它还会排序该拿哪些设计去试某一个菌株（在库里三个菌株中最难的那个上，它排名前 100 的候选有 24% 超过活性阈值，整个库只有 4.5%），而要为一名患者配出治疗，必须做对的正是这一步。

证据与边界：公司博客文章，没有论文，也未经同行评审，所有测量都出自公司自己。只有一名患者：公司以隐私为由不披露病程与结果，并说单例无法确立安全性或有效性，因此这里没有任何东西检验了治疗是否有效。文章没有提到 Tabula，《纽约时报》后来报道，实验室工作很大一部分由它完成，制剂中一部分噬菌体也由它提供。

作者 Aniketh Iyengar、Benjamin Siranosian、Arpan Sarkar、Avery Noonan

发生了什么：靶点由团队选定：五种毒素蛋白。一个内部研究模型在一个初始指令和四次追加指令下大体自主工作 64 小时，挑出要瞄准的位点，生成 318,484 个候选，其中 211 个被合成。Adaptyv Bio 测了全部的结合，Twist Bioscience 测了 210 个、针对四种毒素。17 个达到 Anthropic 的标准，其中 15 个在两家实验室都命中。最强的一个针对墨西哥蝎毒蛋白 Cn2，为个位数纳摩尔。211 个设计及数据全部公开。

为什么重要：这是该公司早前的结合蛋白工作，推向一个没人有钱去做的靶点（一种被忽视疾病的抗毒血清），而值得看的是这个闭环：模型自己定质量门槛，自己决定多依赖指令里给出的哪个设计工具，还把序列发给供应商，人只在四个节点上介入。针对单一毒素的设计里，60 个中有 11 个结合，与一般蛋白设计项目的水平相当，所以这条主张讲的是谁跑完了这个项目，而不是方法更好。

证据与边界：测的只有结合，用的是实验室表达的毒素蛋白，不是从毒液提取的；没有任何设计在细胞或动物身上检验过，Anthropic 自己也说没有做出抗毒血清。针对多种毒素的 151 个设计，没有一个在一种以上毒素上达标。判定标准是看到数据之后才定的；没有跑设计基线，模型自身的贡献与所用工具的贡献无法分开。

作者 Nathaniel Horwitz、Amir Shanehsazzadeh

发生了什么：佐治亚理工、大阪大学与南加州大学的 Yazhuo Liu、Ting Zhu 等人做了 GBClaw：一个协调器加五个智能体，接到两个 GPT-5.6 模型，在 LAMMPS 里搭建并分析原子尺度剪切模拟。镍的 14 个非对称倾斜晶界，开始滑移的强度从 14 兆帕到 9.3 吉帕。其中四个改建成带二次失配位错阵列的模型（真实晶界本就有这类缺陷）：一个从 1,074 兆帕降到 530，两个降了四个数量级，一个反而升高。

为什么重要：真实金属内部的大多数界面正是这种失配的晶界，它们一直研究得少，因为其结构在实验和模拟里都难以确定。这一轮扫描说的是模型本身，不是智能体：如果预测强度会因为晶胞里有没有晶界自身的缺陷结构而差这么多，那么在简化晶胞上筛晶界（用第一性原理或机器学习势，花着真金白银），读到的与其说是材料，不如说是晶胞。

证据与边界：全部是模拟，用一种经验的镍势函数：没有东西被做出来或测量，作者把这些数字称作所建晶胞的无热失稳阈值，而不是普适的强度上限。晶胞小且周期，压住了宽晶界本会有的长程缺陷相互作用，能量路径计算也不含温度。{111}/{110} 晶界的异常，是研究者指定后续计算之后才追出来的。

作者 Yazhuo Liu、Ting Zhu

发生了什么：波鸿鲁尔大学 Miguel Marques 与 Silvana Botti 的团队用两个机器学习模型加一条拟合公式，给 Alexandria 数据库里约 280 万种近稳定化合物排序，留下约 1,200 种，并入已算过的约 12,800 种，再从中缩到 52 种做完整的电子-声子输运计算。在单质金属上检验，这套计算多数落在实测值的 30% 以内。排名最高的 Be2IrPt、H3NaNi、LuIr 和 LiBePt2 算出约 3,400 万到 3,800 万 S/m，接近铝的实测值 3,659 万。

为什么重要：芯片布线和输电都需要导电好的金属，而电导率是材料数据库很少计算的性质，因为完整计算很贵。这项工作给出一条可行路线：先廉价地给几百万种化合物排序，再把完整计算花在几十种上。它还解释了银、铜、金为何难以超越，并指出一种机制：轻元素提供的电子能把化合物中散射强的 d 态压到费米能级以下，LiBePt2 就是一例。

证据与边界：与实验吻合的是单质金属，不是这些新化合物；它们都没有被合成或测量。即便在单质里，钙的计算值是 798 万 S/m，实测却是 2,899 万。计算忽略了自旋轨道耦合，加上后 Be2IrPt 和 LiBePt2 分别下降 8% 和 9%。排名靠前的候选有好几种含铂、铱或铑。

作者 Thalis H. B. da Silva、Silvana Botti、Miguel A. L. Marques

发生了什么：悉尼、哥伦比亚、智源与清华的团队，在 ProteinGym 的 217 个实验、247 万个变体上重评 95 个预测器，评的是同等预算下各自能发现什么，分两个目标：找最优变体和给景观排序。在校准过的 20 个打分函数之间，事先排序的好坏只解释了实际找到多少的差异的不到五分之一（r = 0.44）。实测单点突变搭的加性模型随后反超：找最优变体在 50 到 100 个单点突变后，排序约在 500 个。

为什么重要：这改变了蛋白模型排行榜的用途。一轮实验真正要回答的是下一批测哪些变体，而论文表明回答它的量并不是基准报告的那个：把景观排得好的打分函数，不一定能把预算花得好。实际的读法是，模型先验的价值集中在最初的几十次测量，此后实验室自己的数据更强；闭环设计应当按给定预算下的发现率来评，而不是只看固定数据集上的相关性。

证据与边界：全部是回溯性分析，重评已有数据，没做新实验，也没真跑闭环。只覆盖点突变景观；作者说插入、缺失和从头设计需另设对照并明确测量成本。交叉点说的是用实测单点突变预测双突变；在三个以上突变的变体上反而是模型更强。它们出自深度突变扫描，每个变体都已测过，和实验室手上的候选池不是一回事。预印本。

作者 Wenze Ding、Haipeng Gong、Zhiyong Wang

发生了什么：Matthew Carter 等人在公司博客上发布这些数字。在 AlphaGenome 自己的测试集上（21948 个测试案例，每个案例把一个 DNA 变异与一个基因、一个组织配对，一半是统计方法判定为原因的，一半是被排除的），Omnii-1 得 0.810，Borzoi 为 0.705，AlphaGenome 论文自报 0.713。在 14458 个案例的剪接测试集上，它得 0.814，Pangolin 为 0.721。它还能逐位点预测甲基化（DNA 上的一种化学标记），与实测值的一致性为 0.879。

为什么重要：与疾病相关的 DNA 变异大多不在编码蛋白的序列里，难点在于判断其中哪些真的起作用。此前的模型只读 DNA 序列，这个模型还读实验测量：DNA 在某个组织里如何被包装、如何被使用，而且这些测量可以作为输入，不只是预测目标。变异离基因越远，它对 Borzoi 的领先越大：500 个碱基以内是 0.05，5 万个碱基以外是 0.19。

证据与边界：所有分数都出自公司自己，发在博客上，没有论文，也未经同行评审。公司称自己无法运行 AlphaGenome，因此那组数字是从已发表论文里摘的，不是并排跑出来的；AlphaGenome 在同一测试集上更高的有监督分数 0.799，不是这里拿来比较的那个。标注来自群体数据的统计推断，不是经实验检验过的变异；模型本身需要申请才能使用。

作者 Matthew Carter、Armin Thomas

发生了什么：Max Highsmith 等人在公司博客上报告。这一轮工作起点是此前流程产出的 1620 个设计，其中 150 个有实测结合数据。自 9 月中起，Omnii-1 在其中较好的序列上改写位点、给自己的提案排序，Aptamino 做出并测量选出的一批，如此三轮。这些设计把实测的取舍前沿往外推了：单域抗体结合的紧密程度，和细胞能表达出多少；第三轮有两个设计的结合强度低于检测下限。

为什么重要：这是一个闭环：模型自己的排序决定做什么，每一轮的测量再回到模型里。抗体序列不是这个基因组模型最初预训练的数据门类，是之后才加进来的：公开抗体库，以及合作方有实测数据的设计。被检验的是，一个通用生物模型能不能被转到某个合作方很窄的设计问题上。在同样 327 个有实测数据的设计上，模型学到的表示对表达量和效价的预测略好于专门的蛋白模型，而序列的简单 one-hot 编码在效价上紧随其后。

证据与边界：公司博客文章，没有论文，未经同行评审，报告的也是双方自己的工作。只有一个靶点、单域抗体、三轮，靶点身份和部分实测性质由合作方保留未公开。两个设计“超出检测下限”是检测本身的限制，不是测到的结合强度；抗体那篇文章没有给出这个下限的数值，0.2 nM 来自发布文章。相对其他模型的优势，置信区间互相重叠。

作者 Max Highsmith、Michael Poli

发生了什么：Armin Thomas、Gautam Machiraju、Benjamin Siranosian 和 Christine Parthemore 在公司博客上报告。利弗莫尔用其今年建立的平板检测，测量了 609 个天然蛋白在 15 种稀土金属之间如何分配结合。给定其中两种金属，Omnii-1 对未见过的蛋白按偏好哪一种排序，在全部 105 个元素对上的排序一致性中位数为 0.340；最强的公开模型 ESM-C 6B 为 0.318，三种基于序列相似性的方法中最好的为 0.254。

为什么重要：把这些金属分开是精炼环节的问题：按国际能源署的统计，2024 年全球精炼量的 91% 在中国；这些元素之间的尺寸差异极小，相邻元素只差 0.013 埃，常规路线因此需要强酸和大量能耗。蛋白能把它们区分开，问题是模型能否在做出来之前就说出哪个蛋白能做到。这个模型的训练数据里没有稀土结合数据，现在这家国家实验室正在测试模型生成并排序出来的候选物。

证据与边界：只到预测这一步：模型设计的蛋白在利弗莫尔等待测试，尚未报告任何结果。这是公司自己的文章、自己的评估，没有论文，未经同行评审。在尺寸最接近的 17 个元素对上，也就是最难的情形，公司给出它与 ESM-3 相差 0.006、配对误差 0.005，并表示不据此排名。AlphaFold2 在这里得 0.191，低于最简单的序列相似性基线 0.198。

作者 Armin Thomas、Gautam Machiraju、Benjamin Siranosian、Christine Parthemore

发生了什么：Protege DataLab 与 Heimdall Bio 的 Matt Turk、James Golden 等人对四个前沿模型跑了 4249 次，另在 26 个模型上跑了 4486 次。Claude Opus 5（0.816）、GPT-5.6-sol（0.812）和 Grok 4.5（0.785）的置信区间分不开；Gemini 3.1 Pro Preview 为 0.707，与另三者的差距都不含零。Opus 5 在元数据查询上均分 0.907，在数值计算上 0.716。数值任务占 131 项中的 28 项，却占了四个模型全败的那 12 项中的 6 项。

为什么重要：要挑一个智能体去量结构里的距离和角度，该看的是数值计算那一栏，不是总分：Opus 5 这两个数差 0.19。这篇还显示排行榜有多少是模型之外的配置：在八次跑满的那 99 项任务上，每题只跑一次而不是八次，23.9% 的重采样会换出另一个第一；把参考 harness 换成各厂商自己的命令行智能体，分数变动在 -0.071 到 +0.086 之间。

证据与边界：四组实验用的任务子集不同，因此模型、harness、联网权限和题目构成之间无法互相排序，而 harness 对比只能分辨约 0.12 到 0.20 的差异。四个模型全败的题目并不等于无解。131 项任务偏向生物物理，分数描述的是附录所列采集时间窗内的那些模型端点。预印本，未经同行评审。

作者 Matt Turk、Brandon L. Neel、Diana M. Lopez、James B. Golden

发生了什么：Manuel Gallone、Shyam Ravidath 和 Srihith Madireddy 先搭了一个分布外评测框架：两个数据集、六种划分组合，scVI、CPA 和 Ridge 基线，三种不确定性方法；再补上它原本没有的空基线。框架把测试细胞本身喂给模型，又按能否复现这个细胞打分，于是原样返回输入的恒等预测器，在六个划分上全部拿到 1.0 的扰动效应相关性。对比恒定训练均值预测器，scVI 在 Norman 上赢 99.7% 的细胞，Replogle 上只有 0.2%。

为什么重要：扰动预测是本站追得最紧的方向之一，而这次审计说的是：那里的指标名称，可能和指标真正度量的东西对不上。六种失效模式都是机制性的，不是统计性的（把重建当成预测来打分、留出的是测序批次而不是扰动、把没见过的扰动悄悄换成对照），每一种都配了诊断和检测流程，都不需要重新训练，别的框架基本上用已有的东西就能自查。唯一没有拿到目标细胞的模型，那个线性基线，是唯一一个在真正的反事实预测上赢过自己空基线的。

证据与边界：这是作者自己搭的流程，不是已发表的基准；PerturBench 只是被引用，没有审计。审计本身不需要重新训练，但模型确实按反事实的方式重跑过；全部结论都在两个数据集上算出来，没有做新实验。有一条结论挺过了审计：覆盖率在分布内是 0.900，跨细胞类型降到 0.847；而在 Norman 上，同样标称 0.900 的区间只覆盖 0.271 到 0.342 的差异表达基因。

作者 Manuel Gallone、Shyam Ravidath、Srihith Madireddy

发生了什么：Joseph Hart、Samuel G. H. Brookes、Fabian L. Thiemann 和 Christoph Schran 先用密度泛函的能量、受力和结合曲线筛六个模型，再把其中四个放进熔融-淬火-退火动力学，跑七个密度、每个五次。纯碳的模拟全部跑完；加入氧和氢之后差别就出来了：MACE-MH-1 把 35 次全部跑完，ORB-v3 完成 33 次，MACE-MP-0b3 25 次，MACE-OMAT-0 18 次。UMA 根本没走到这一步：它的碳二聚体曲线上有两个虚假极小值，尽管它在平面碳环境上的误差很低。

为什么重要：基础势的卖点是能迁移到没训练过的体系，而通常拿来证明这一点的，是一张能量与受力误差表。可是误差说不出哪个模型会垮：UMA 在平面碳上分数不错，却因一条任何势都不该出现的二聚体曲线被淘汰；共用一套训练数据的模型，架构不同，环统计也几乎一样。跑完动力学的四个都复现了纳米多孔碳的主要实验峰位，所以问题是它们在哪里失效，而不是能不能用。

证据与边界：只覆盖一类元素体系和一条工作流。稳定性在 216 原子的盒子里打分；与实验对照的结构更大、只有一个密度，比对的还是别的样品的已发表测量。第一作者既是表现最好那个模型的论文合作者，也是误差表所用评分框架的合作者，而论文声明无利益冲突。六个模型有两个没进到动力学，其中一个只因算力成本。这是 workshop 论文。

作者 Joseph Hart、Samuel G. H. Brookes、Fabian L. Thiemann、Christoph Schran