时间线

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：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：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 25 日，次日连同 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：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：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：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：新闻稿引用 2024 年一项行业调查，74% 的受访公司与中国企业签有临床前和临床服务合同，并提到 2025 年底签署的《生物安全法案》（BIOSECURE Act）。

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。“世界首次”是公司自己的说法。回收率是一个测序指标，不是噬菌斑计数；活性是相对天然噬菌体的富集。

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

发生了什么：剂泰科技 10 月 19 日宣布与礼来达成战略合作，研究只送到特定组织而非全身的脂质纳米粒递送。剂泰科技用自己的 AiLNP 平台设计纳米粒里的可电离脂质，礼来提供药物发现、开发与商业化的能力。剂泰科技将收到逾千万美元首付款，有资格获得最高约 11 亿美元的开发、监管及商业里程碑款，以及按净销售额计个位数百分比的分级特许权使用费。

为什么重要：记录里已有剂泰科技的港股上市、肝癌 mRNA 药物的小鼠数据和一个三期制剂结果。这笔交易针对的是平台，而不是某一个药物资产：礼来为设计这一步付钱，而剂泰科技说自己的 AI 正是用在这一步。纳米粒最终去到体内哪里，决定了 mRNA 或基因治疗能治什么病，而这件事目前主要还是靠试错找出来的。

证据与边界：这是一笔交易，不是结果：没有公开靶点、项目数量和时间表，也没有公开数据说明 AiLNP 选脂质的效果。首付款之外的钱都取决于项目能否推进，首付款本身也只给了区间。

发生了什么：浙江大学团队对来自六个数据库的 45,909 个框架做了 DFT 计算，约 100 万 CPU 核时，把得到的场压缩约 26 倍并转成点云。读场的模型在 13 项性质中的 12 项上胜过只读结构的模型，所有吸附与分离性质都在其中；带隙仍是结构模型更好。两者结合后，每一项都更好。从结构预测电子密度的平均误差为 0.51%，用预测密度启动 DFT 平均省下 13.59% 的时间。

为什么重要：MOF 模型大多只从原子位置学习，而气体吸附取决于客体分子感受到的框架电荷分布。这种规模、一一对齐的电子场数据此前稀缺，因为计算和存储都贵；作者称论文正式发表时将公开数据集。结果表明，场里有只读结构的模型没用上的信息，在吸附和分离上最明显。

证据与边界：全部是作者自己的计算结果。结构基线只有一个模型，即 2018 年的 CGCNN，所以“场胜过结构”只是相对它而言。静电势的重建远不如电子密度，误差 8.42%，晶胞越大越差。13.59% 的节省没有计入预测电子密度本身的耗时，而且是平均值，部分框架反而更慢。

作者 Zhaolin Hu

发生了什么：James Kirk、Lee von Kraus 等人用无标签的方式训练了一个 Transformer，数据是插在 100 个物种、1,400 多株植物上的电极录下的 400 多万小时信号，来自实验室、温室、果园和森林。再用 41,000 多次手持仪器的叶片读数训练第二部分，估计七项胁迫指标，比如叶片光合作用的效率、叶温高出气温多少。在六个物种的留出植株上做干旱处理，估计值随实测读数变化，相关系数为 0.27 到 0.71。

为什么重要：此前的植物电信号模型，每个都只为一个任务训练，通常只用一个物种。一个能跨物种使用的模型，可以让种植者读懂没人标注过的作物。对训练中没有出现的物种，估计值仍随读数变化，只是贴合得差一些；对受盐或除草剂胁迫的植物（模型从没见过这类标注），估计值的变化方向与文献预期一致。

证据与边界：数据、传感器和评估全是公司自己的，论文是预印本。相关系数衡量的是同一株植物随时间的变化；约一半误差是每个传感器固定的偏差，按误差指标，七项里有三项的估计比直接猜每个物种的平均值还差。六个密集标注的物种里有一个相关系数在零或零以下，也还没有种植者据此行动的结果。

作者 James Kirk、Piotr Bednarski、Filip Twardy、Justin Mast、Lee von Kraus

发生了什么：两个接口分别返回带相关性分和权威等级的网页结果，以及转成 Markdown 的网页正文。DeepSeek 称自研引擎长期支撑其网页端和 API 的搜索，每天处理数亿次请求，索引千亿级网页，并过滤 SEO 作弊、GEO 操纵和低质 AIGC。在 DeepSeek Harness、Claude Code 和 Codex 里经服务端工具发出的调用，10 月 31 日前免费。

为什么重要：做文献智能体需要一个能用程序调用的搜索后端，而现有的几乎都架在 Bing 或 Google 的索引上。这是少数不靠它们的，来自一家国内 AI4S 团队已在用其模型的实验室，按次计价而不是按套餐。它的索引对期刊、预印本服务器和中文来源的覆盖够不够做科研，要由用它的人自己去试。

证据与边界：请求量和索引规模都是 DeepSeek 自己的数字，无人核验；英文发布说明给了日请求量，中文版给了索引规模。没有发布与其他搜索引擎的覆盖率或时效性对比，这里也没有实际调用。

发生了什么：Zachary Cutts、Pooja Rao、Annalisa Pawlosky 等人给基于 Gemini 的智能体配上文献检索、折叠工具和 Python 环境，让它们每轮针对两种蛋白设计 1000 条单链 DNA 核酸适配体。每批都被合成、用磁珠拉下、测序，智能体读完计数再设计下一批。扣除磁珠背景后，新设计的命中率对 α-凝血酶为 0%、26%、42%，只算不含已发表母核的设计则为 37%；对肌红蛋白为 10%、4%、34%，每条候选成本约 3 美元。

为什么重要：此前关于推理智能体做分子设计的研究，都是最后做一次实验验证。这里测量数据回传了三次，智能体拿它做了什么都留在记录里：反向筛选显示 97% 的交叉反应序列是 G-四链体（这类结构不管靶点是什么，都会黏在带电表面上），它们就把肌红蛋白的设计转向假结和发夹，那边的特异性从 19% 回到 72%。作者选核酸适配体，是因为设计出的序列本身就是那个分子，一轮只要 10 天，而蛋白要 3 到 6 周。

证据与边界：结合由作者自己的混合池检测测得。单克隆滴定只做了 8 条凝血酶设计，未达饱和，作者称这些亲和力数据只是初步：智能体改造文献母核的为纳摩尔级，纯从头设计的高于微摩尔。凝血酶第一轮的 0% 源于构建体本身的问题，之后被智能体修掉，harness 也随之更换；作者还说，要把这个上升记在闭环头上，需要无反馈的对照组。预印本，未经同行评审。

作者 Zachary Cutts、Pooja Rao、Annalisa Pawlosky

发生了什么：东京科学大学与东京大学的 Tatsuki Hori、Yoshitaka Moriwaki、Ryuichiro Ishitani 发布 RGI-Toolkit：在反向扩散的每一步用可微约束损失修正去噪器输出，是一个不依赖具体后端的库，适配 Boltz-2、Protenix-v2、AlphaFold3、Chai-1、OpenFold3 和 ESMFold2 六个预测器。在 209 个蛋白-配体复合物上，构象约束把手性一致率从约 50% 提到 100%、顺反从 70%-80% 提到 100%，六个模型全都如此，键长键角误差也更低。不需要重训。按 MIT 许可开源。

为什么重要：化学上不合法的配体几何是 AlphaFold3 这类模型公认的弱点，而这个工具从模型外部、在推理阶段把它修好，不需要动权重。它不改变配体落在哪里：作者说预测的结合位姿既没变好也没变差，所以这是一个干净的立体化学补丁，不是更准的结合预测。几何约束和自定义约束还能把采样推向选定的构象状态。

证据与边界：手性和顺反的数字是对照每个配体理想构象算出的一致率，基于 209 个复合物、每个一个随机种子，不是物理测量。约束的效果取决于参考构象：RDKit 嵌入出错就会把约束带偏。此前两篇 RGI 论文（本工作的基础）用的是 Boltz，这篇是把它扩展到六个预测器并打包。预印本，未经同行评审。

作者 Tatsuki Hori、Yoshitaka Moriwaki、Ryuichiro Ishitani

发生了什么：斯克里普斯研究所、OpenAI 与 PerturbAI 给一张活体全脑 CRISPR Perturb-seq 图谱里的 1,946 个扰动各配一个智能体，源论文被扣下，且发表于模型声明的知识截止之后。在仅凭表达数据就能得出的 55 条结论中，智能体吻合或细化了 48 条。它们对照文献裁定了 1,519 条高置信度发现，读了 39,185 篇论文、保留 16,445 条引用。整个分析用时 32 分钟。

为什么重要：这里押的是用大量并行智能体换覆盖面，而不是靠一个更强的智能体，论文也直接量了这一点：在 893 个扰动上，单个智能体引了 11 篇文献，而分布式方案保留的文献是它的 711 倍。盲评专家更认可分布式给出的解读。这是关于解读吞吐量的主张，而解读正是当前限制一张大规模筛选能产出多少东西的环节；它不是在说智能体发现了新生物学。

证据与边界：全部是计算结果，数据是同一批人产出的一张图谱；三位通讯作者都有利害关系：一位在 OpenAI，被评测的正是其模型，两位是数据托管方 PerturbAI 的联合创始人。回收率由源研究自己的作者评定，71 条里有 14 条没有覆盖。留出扰动的预测平衡准确率 0.705：无响应的判对 82%，真有响应的只判对 59%。专家偏好比的是解读优劣，不检验对错。预印本，未经同行评审。

作者 Alexander Sun、Xin Jin

发生了什么：Anthropic STEM Fellow Andi Gu 与 Anthropic 的 Alek Kemeny、哈佛的 Susanne Yelin 和 Mikhail Lukin 合作，让 Claude Mythos 5 用 Python 写电路，由评估程序逐个检查打分。有六项任务，电路的 Toffoli 门数和量子比特数都低于已发表的最优设计；第七项此前没有已发表的可逆设计可比。第八项得到一种新的可逆模逆运算，关键一步已在 Lean 中形式化，其中一个设计比此前最小的设计门数少 17 倍，量子比特多 12%。

为什么重要：实用量子化学所需资源的估计之所以大幅下降，主要靠重新设计电路，而不是硬件：FeMoco 的估计在八年的人力工作中降了约 15 万倍。让模型把电路写成代码、由程序逐一校验，能加快这种重新设计：Anthropic 拿一次 53 小时运行得出的椭圆曲线设计，对比整个领域八年的工作。同样的方法还把 DQI 优化算法中最贵的一步，即解码器，降低了约 12 倍。

证据与边界：全部是计算结果：这些电路没有在任何量子计算机上运行，门数和比特数来自团队自己的评估程序，arXiv 预印本也未经同行评审。任务说明由人编写，过程中有人不时提示 Claude 扩大搜索。

作者 Andi Gu、Alek H. Kemeny、Susanne F. Yelin、Mikhail D. Lukin

发生了什么：只有在可预见、迫近的风险超过十亿美元损失，或致死致重伤超过五十人，且来自生物武器、模型逃脱开发者控制或网络攻击时，模型才能被叫停。由商务部请华盛顿的联邦法官下令，其他机构都无权叫停。评估方须在商务部注册，可由实验室付费，但报酬不得取决于结论，并须在完成评估后 72 小时内上报迫近风险。部分州的 AI 法律将被优先取代。

为什么重要：一家前沿实验室写出了将要约束自己的条文。Politico 指出其门槛措辞与加州 SB 53 一致，Anthropic 则称这份草案就是它六月以来一直在推的 Advanced AI Framework。对科学而言，要紧的是生物武器这一类：它是能叫停一个模型的三条理由之一，评估方向商务部的报告会是走向法院命令的第一步。

证据与边界：草案是机密的，Politico 也没有公开，所以这里的每一条都出自 Politico 对它拿到的文本的转述；递送草案一事，消息来自三位知情人士。文章没有点名哪些议员收到了草案。Anthropic 一位未具名发言人表示这份草案就是公司的框架，但没有公开文本。

发生了什么：Google DeepMind 用自建的能力指数 GCI v1 拟合了 123 个模型在 92 个基准上的成绩。公开发布的 Gemini 模型每月约提升 0.1 分：2026 年 4 月 1 日前为 0.091，之后为 0.118，差异在统计上不显著。大部分生产代码已有 75% 以上由 AI 写成，但完全交给 AI 的代码合并请求只从 4 月的 7.5% 升到 9 月的 11.9%，约 88% 仍需人多轮引导或亲自写代码。

为什么重要：“AI 是否在加速自己的研发”有了一家前沿实验室的内部计量作为答案，与 9 月 Geoffrey Hinton、Yoshua Bengio 和 OpenAI 首席科学家联署的工作论文形成对照：那篇论文估计研发完全自动化后进展可能快十倍。对 12 位资深研究员的调研显示，自动化程度在定义清楚、可验证的任务上最高，在开放式的科学构想和研究品味上最低。Argon 高于趋势线，报告认为可能是算力和组织投入增加所致。

证据与边界：指数由 DeepMind 自建、建立在基准之上，斜率稳定说明测得的能力匀速增长，不等于研发中没有任何环节变快；报告自己也说该指数反映不出子环节的加速。4 月后的斜率只基于少数模型（95% 区间 0.053 至 0.171），同样不能排除加速。调研和由 Gemini Flash 3.8 评判的智能体使用样本都是内部数据，而这一结论恰好支持报告“风险较低”的判断。

发生了什么：宾夕法尼亚州立大学与布法罗大学的 Vinay Saji Mathew 等人，把 AlphaFold 3 和 Boltz-2 的扩散模块（把预测出的整体布局落成原子坐标的那一步）蒸馏成 8 步的学生模型。在约 2,300 个 Boltz-2 基准靶标上，AlphaFold 3 学生的复合物 lDDT 为 0.8635，教师为 0.8615；配体通过 PoseBusters 有效性检查的比例从 45.0% 降到 43.0%。Boltz-2 的代价更大：配体有效率从 60.9% 降到 52.0%，带任何几何违规的结构从 30.3% 升到 41.9%。

为什么重要：蛋白质设计和筛选流程要调用结构预测器成千上万次，采样这一步的成本会累积起来。论文还认为，这类提速主张此前评得太松：已有的少步采样器用关闭化学检查的相似度分数来评，分数仍然很高，键长、键角和原子碰撞却出了错。Blitz 把两者都报出来，所有对比方法用同一套评测流程，并显示一步采样器打开检查后 lDDT 掉了约 32 分。

证据与边界：作者在公开基准上的计算结果。只有采样这一步变快：论文自己说，采样之前运行的主干网络没有改动，仍然很耗算力，所以 8 步并不等于整个预测快 25 倍。论文没有报告端到端耗时。

作者 Vinay Saji Mathew、Soundar Kumara、Gretta Kellogg、William K. M. Lai

发生了什么：Jiaru Bai、Alán Aspuru-Guzik 等多伦多大学研究者描述了一组智能体：从现有设备出发，把它重建成仿真孪生，先在仿真中反复试错学会缺少的机器人技能，并写出实验流程。在唯一一次实体测试中，人批准方案后，系统写出 236 条指令的移液协议，让机械臂把孔板送进封板机，再放进酶标仪；8 小时的硫化镉量子点筛选找到了能形成发光量子点的配体用量和 pH 范围。

为什么重要：如今的自驱动实验室只能运行建造时设定的流程，加一个新流程要专门的工程投入。如果智能体能自己补齐缺的部分，实验室能尝试什么就取决于设备而不是代码，研究者只需设定目标，不必给机器人编程。作者还把每个已解决的技能转成不需要语言模型就能运行的脚本，因为智能体循环对这类化学实验来说太慢。

证据与边界：只有一个实体流程，化学是已知的，由作者自己完成；多台机器人之间的协作只在仿真中展示。论文没有给出人工干预次数或节省的工程时间，并说仍要由人来解决智能体之间的分歧、补充仪器测不到的物理事实。这是预印本。

作者 Jiaru Bai、Yang Cao、Varinia Bernales、Alán Aspuru-Guzik

发生了什么：Sifted 10 月 15 日报道，Accel 将领投 Revolution Labs 的 6000 万美元融资。公司由 Nando de Freitas 创办，他在 DeepMind 工作约十年，之后在 Microsoft 任职。Dealroom 对这篇报道的摘要补充说，GV 和 NEA 据称也已加入。公司做扩散模型，要把它从图像、音频延伸到文本生成。9 月 Bloomberg 报道的是洽谈至少 1 亿美元的初始融资。

为什么重要：9 月的数字是洽谈中的目标，这次是第一次报道出具体规模和领投方。6000 万美元比当时所传的至少 1 亿美元少，不过 Bloomberg 当时也说融资可能分几批进行。这又是一位 DeepMind 出身的研究者，为一种不同于现有语言模型的模型路线融资。

证据与边界：仅为媒体报道，尚未完成：Sifted 标题说 Accel 将领投，其正文本站未能读到。GV 和 NEA 只见于 Dealroom 摘要。轮次、估值和公司表态均无；尚未发布任何模型。

发生了什么：insitro 将用其 Virtual Human 平台，找出这两种疾病中致病的生物学机制，并把阿斯利康提名的靶点从发现阶段推进到开发候选药物。合作为全球独家，阿斯利康负责临床开发、注册和销售。除 4000 万美元预付款外，insitro 还可获得最高约 14.6 亿美元的发现、开发和商业里程碑付款，以及个位数比例的销售分成。交易由 insitro 创始人兼 CEO Daphne Koller 宣布。

为什么重要：一家大药企付钱买的是 AI 公司在靶点阶段对疾病生物学的判断（这是药物研发里最早、风险最大的决定），而不只是分子设计：insitro 的平台先找出致病原因，再把阿斯利康选定的靶点推进到候选药物。insitro 此前已与百时美施贵宝、礼来和吉利德合作，阿斯利康是第四家。

证据与边界：14.6 亿美元是需要达成里程碑才能拿到的上限，确定的只有 4000 万美元。新闻稿没有说明靶点、项目数量和时间表，也没有给出平台的任何数据。

发生了什么：双方计划就科学基础模型建立长期合作，先从高能物理做起。目标是一个预训练的“大物理模型”，可用于重建对撞事例、识别粒子、标出意外信号和评估未来的探测器设计，这些工作目前分散在不同工具中，光是事例重建就要经过一串专用算法。CERN 首席信息官 Enrica Porcari 和 Mistral 工程 AI 副总裁 Johannes Brandstetter 代表双方发言。

为什么重要：粒子物理用机器学习已有多年，但通常是一个任务一个模型。这次的计划是让一家前沿模型公司的模型覆盖整条重建链，合作方是存有约 1 EB LHC 数据的实验室，时间点在 2030 年前后高亮度 LHC 让对撞数增加十倍之前。Brandstetter 是 Mistral 5 月收购的物理仿真公司 Emmi AI 的联合创始人，更早时在 CERN 工作过。

证据与边界：这是意向声明，不是合同：CERN 的公告没有给出预算、时间表、算力规模，也没有说明模型归谁、谁能使用。模型还没有开始训练，“首个对撞机物理基础模型”是公告自己的说法。

发生了什么：OpenAI 给出的条件：美国高校符合条件的实验室最多可获 30 个 ChatGPT Business Standard 席位，每人每月 0 美元，最长十二个月，这些账户上的研究数据默认不用于训练模型。席位本身并不解锁 GPT-Rosalind，那需要另走一道可信访问审核：核验实验室负责人的身份、任职与权限，研究用途，以及一位指定的机构安全联系人。只给订阅席位，不含 API；已有 Enterprise 协议的高校须由学校统一申请。

为什么重要：此前这个模型通过可信访问给机构使用，点名的合作方是 Amgen、Moderna、艾伦研究所和赛默飞。这是高校实验室第一次能自己申请的通道，也说明 OpenAI 接下来指望生命科学的需求从哪里来。没有 API，它就只是研究者打字去用的东西，而不是实验室能接进自己流水线的东西，这正是工具和基础设施的区别。

证据与边界：什么样的实验室算符合条件、可信访问审核要多久、会批准多少实验室、十二个月之后权限怎么办，这些都没有公布。网上流传的 GPT-Rosalind 基准分数只见于单一二手来源，OpenAI 自己的页面上没有，这里不收。

发生了什么：Gideon Shaked 与 Siddharth Nagisetty（同属密歇根大学与 AfterQuery）把每项任务建成一张子任务有向无环图，基于真实生物数据，每个子任务作为对话中的一轮提出，由 58 个评分器对照标准答案打分，评分通过参考数据库匹配实体，不比字符串。12 个模型都在一套 harness 上跑，两个另跑了两套。无反馈时均分 0.43 到 0.57，允许对不合格答案重试时为 0.54 到 0.67；最慢的智能体平均每个任务 3.6 小时。

为什么重要：多数生信基准在一个提示里只问一个问题，看不出智能体能否把中间结果一路带过真实的分析链。而在这里，每一种组合过了第一轮就掉分，在依赖自己前序答案的子任务上再掉一次，反馈只能挽回一部分。这种失败的形状，恰恰是单次提示的分数看不见的。

证据与边界：分数衡量的是与标准答案的吻合，不是分析在生物学上是否站得住。作者说重试模式在设计上就可能被刷分，而其中有多少增益来自刷分并未量化。97 项任务里有 94 项是私有的，外部无法复现这些数字，harness 的影响也无法与模型的影响分开。失败标注来自 Opus 5，它本身就是被评测的模型之一。预印本，未经同行评审。

作者 Gideon Shaked、Siddharth Nagisetty

发生了什么：出资方是 Zone II 和 CC.VC，另有天使投资人：新闻稿说来自金融业，Fortune 说来自国防和金融业。据 Fortune，本轮全部为股权，估值 2.45 亿美元；Fortune 后来从自己的本轮投资方名单中删去 Fifth Wall，称公司发稿前披露有误，而新闻稿把它列为既有投资方。实验室是 2026 年买下的 Wildcat Discovery Technologies：18 年实验记录，循环测试过 50 多万个电芯。CEO 是 Mathias Ingvarsson，COO 是前特斯拉的 Steven Prast。

为什么重要：多数 AI for Science 公司先做模型，再去找数据喂它。Holyvolt 的顺序相反：先买下实验室和 18 年的电芯循环数据，在上面训练模型，再让模型决定实验室下一步做什么、测什么。时间点由采购决定：从 2027 年 10 月 1 日起，美国国防部不能再从宁德时代、比亚迪和另外四家被点名的中国厂商采购电池，而 Holyvolt 计划先把 DRX 正极卖进无人机。

证据与边界：这里没有任何结果。十倍的数字出自一个客户案例，闭环后的百倍是公司自己的说法。DRX 的数据只在学术会议上展示过，包括 2026 年 3 月的国际电池会议，供应商也未披露。2.45 亿美元估值来自 Fortune 未点名的一位人士。

发生了什么：东京大学的 Ibuki Okuda、Izumi Takahara 和 Teruyasu Mizoguchi 扩展微软的 MatterGen：一个网络同时去噪晶体结构和每个原子的 Bader 电荷（这个原子带多少电荷）或原子态密度（它的电子占据哪些能量）。每种设定生成 1024 个结构，只计其中稳定、唯一且新颖的：同时要求带隙 2 eV 和形成能 -4 eV/原子，基线有 1.1% 落在两个窗口内，态密度模型为 3.5%。单一目标的增益按百分点更大，按倍数更小。

为什么重要：让生成模型照着目标属性生成要以结构质量为代价，而那个电子量让代价变小：在上面那个双目标设定下，稳定、唯一、新颖的结构占比带描述符时从 33.3% 降到 21.8%，不带时从 33.6% 降到 15.4%。真正该带走的是对照实验。把电荷加噪，或挂上一个毫无含义的随机数，也同样抬高了唯一且新颖的占比，所以单看新颖度上升，只能说明多加了一个随机量；要把物理和噪声分开，得看稳定性、合规性和目标命中率。

证据与边界：全部是算出来的：结构由模型生成、由 DFT 打分，没有合成，也没有测量。命中指落在目标 ±0.5 eV 或 ±0.5 eV/原子之内。合规性筛选是作者自己提出的保留意见（他们训练集里约三成结构通不过其电荷中性检查），所以严格和宽松两套计数都报了。几个单属性增益只有几个百分点，在 1024 个样本下有的达不到显著。

作者 Ibuki Okuda、Izumi Takahara、Teruyasu Mizoguchi

发生了什么：同等贡献的 James Weber（雷丁大学）和 Makoto Kelp（犹他大学）用 UKCA 模型的结果微调微软的 Aurora，得到三个版本。第一个在 27 个受检场中有 23 个在对流层和平流层的 R² 达到 0.85 以上，臭氧、一氧化碳和温度的年均偏差低于 4%；模拟一年在单块 GPU 上要 5.5 分钟，UKCA 要 576 个 CPU 核算 9.5 小时。第二个在成对排放情景上训练，复现臭氧对 NO 和 CO 的响应。第三个用卫星臭氧数据训练。

为什么重要：化学是气候模型里最贵的部分，所以通常被简化或事先给定，而要试很多种排放情景，就得算得快。更值得看的是第三个版本：用 Aura MLS 卫星臭氧数据训练、在训练时留出的年份上测试，它把按纬度带平均的臭氧误差降低了 23%，从 0.37 ppm 降到 0.28 ppm，高度约在 10 到 25 公里。这个纠正保存在模型权重里，因此能带到没有观测的模拟中去：代理模型可以比它学的那个模型更准。

证据与边界：大部分测的是与 UKCA 的吻合程度，所以复现得好的场同时继承了 UKCA 自己的误差，而所预测的物种只是作者从 UKCA 一百多种里挑出的一部分。卫星带来的改善只在按纬度带平均时成立：同一个模型在单条反演剖面上反而差 9.6%。做排放响应的版本，风场和温度由对照模拟给定；50 年模拟重复同一年的强迫，排放变化下是否稳定并未检验。

作者 James Weber、Makoto Kelp

发生了什么：华盛顿大学蛋白质设计研究所的 Hojae Choi、Samuel Pellock、David Baker，与苏黎世联邦理工学院的 Donald Hilvert 一起报告了一类酶：用活化的半胱氨酸按序列特异性水解多肽骨架。69 个设计里 13 个有效，相对无催化反应的速率提升最高 3x10^7 倍。折叠与天然蛋白酶很不一样（TM 分数低于 0.50），六个晶体结构与设计模型差距在 1.2 埃以内，设计还能在哺乳动物细胞内切开靶标。

为什么重要：中性水溶液里的肽键能存在几百年，而从零设计酶此前多半只做成了能垒低的反应。能按设计者指定的位置切开肽键，意味着蛋白质设计可以造出可编程的剪刀：给定序列，拿到切它的酶。这和结合蛋白是两类工具，而此前被设计出来的蛋白大多是结合蛋白。

证据与边界：活性仍比天然半胱氨酸蛋白酶差：优化后最好的设计催化效率 413 M⁻¹s⁻¹，而基序来源 Ulp1 是 350,000，论文把原因归在活性位点预组织和底物定位还不够好。细胞里切的是作者自己设计、一起转进去的底物，不是内源蛋白，实验也都出自设计者自己的实验室。

作者 Hojae Choi、Samuel J. Pellock、Donald Hilvert、David Baker

发生了什么：同一个研究所、同一天发表的另一篇：Anqi Chen、Kejia Wu、David Baker，同样与苏黎世联邦理工学院的 Donald Hilvert 合作，用 RFdiffusion 把一个活化水分子的锌位点放在肽结合口袋旁边。135 个受测设计里 36% 切开了目标肽键；最好的一个比无催化反应快 10^8 倍以上，四个氨基酸替换后超过 10^10 倍。设计出的蛋白酶还能选择性切开致病蛋白 TDP-43、β 淀粉样蛋白和血清淀粉样蛋白 A，最高 10^9 倍。

为什么重要：关键在那几个致病蛋白：TDP-43 和 β 淀粉样蛋白是药企一直想清除的蛋白，而切开一个蛋白和结合住它，是两类不同的干预。和同日的半胱氨酸蛋白酶那篇放在一起看，这个实验室对同一个难反应给出了两套互不相同的化学方案，一套靠金属，一套不靠。

证据与边界：速率提升是与无催化反应相比，不是与天然蛋白酶相比：刚出计算机的设计比最好的天然蛋白酶低 3 到 4 个数量级，改四个氨基酸后仍差两个。那些致病蛋白是在体外以纯化蛋白被切开的，没有进入细胞内部，也没有动物或人体实验。设计者已就相关方法和设计申请了两项临时专利。

作者 Anqi Chen、Kejia Wu、Donald Hilvert、David Baker

发生了什么：系统把 100 公里分辨率运行大气的 ACE 与新的降尺度模型 HiROv2 配在一起，后者细化到 3 公里，现在能同时预测多个物理量，而不只是降水。给它降分辨率后的 X-SHiELD 数据，它对上那套模拟的高分辨率统计量，误差在 3% 以内，连百万分之一频率的事件也是；还能估计训练中没见过的热带气旋能量。模型、笔记本和对比演示均已公开。

为什么重要：研究极端事件的风险，需要很多年能分辨出风暴的高分辨率数据，而 Ai2 说用 X-SHiELD 生成这些数据的成本约为前者的 300 倍。成本降到约三百分之一之后，十年的全球 3 公里降水与风场，变成一个研究组可以自己生成、而且反复生成几遍的东西，估计稀有事件正需要这样。

证据与边界：所有数字都是对照 HiRO 所学习的那套模拟 X-SHiELD 得出的，不是对照观测。Ai2 自己说 HiRO 只能配合为匹配 X-SHiELD 调过的那版 ACE，所以还不能生成更暖气候或 ERA5 这类再分析数据，飓风眼周围的风场和气压也比 X-SHiELD 更不对称。

发生了什么：斯坦福大学 Frances E. Reuland 和 Adam R. Brandt 带领的团队在亚利桑那州趁卫星过境释放计量甲烷：481 次释放（每小时 9.5-1,184 千克）和 265 次空白对照，分析团队不知哪次有排放。九国 15 支团队用 12 颗政府、商业与非营利卫星的数据做了 2,250 多个估计。专为甲烷设计的仪器检出 92%-100%，误报率 0-11%；改作甲烷用途的为 62%-88%。79% 的误报来自把 AI 方法用于 Sentinel-2 和 Landsat 图像的团队。

为什么重要：卫星发现的甲烷羽流已进入泄漏警报和各国甲烷法规，欧盟拟议的天然气进口标准也要依靠它；但 Carbon Mapper 的 Tanager-1、EMIT、GHOSt 和 AI 检测方法，此前几乎没经过盲测。这次测试用已知的释放量给每一种测出了检出率和误差，还留下一套公开数据，可用来训练下一代检测算法。

证据与边界：使用 AI 的团队准确率为 0.62-0.77，好于随机猜测，但误报大多出自它们，作者认为 AI 方法还需改进才能常规使用。释放地点是已知的；作者的结论适用于大致知道排放源位置的情况，云量超过 20% 时所有系统的表现都会下降。

作者 Frances E. Reuland、Adam R. Brandt

发生了什么：Iambic 以每股 16 美元发行 937.5 万股新股，募资总额 1.5 亿美元，承销商可在 30 天内再买 140.625 万股。股票 10 月 15 日以 IAM 代码开始交易，开盘 16.15 美元，收盘 18.91 美元，较发行价高 18%；10 月 16 日收于 23.81 美元。摩根大通、Jefferies、美银证券和花旗为联席账簿管理人。公司由联合创始人兼 CEO Tom Miller、联合创始人兼 CTO Fred Manby 领导。

为什么重要：公开市场给一家 AI 药物发现公司定了价，而它进展最快的药、HER2 抑制剂 IAM1363 还在 1 期。招股书说，这笔钱连同现有现金，用于完成这项试验并启动 2 期和 3 期试验、把 IAM217 和 IAM-C1 推过 1 期剂量递增，以及投入 AI 平台，可支撑到 2028 年第四季度。按招股书的股数，每股 16 美元对应估值约 7.6 亿美元。

证据与边界：1.5 亿美元是扣除费用前的数额；发行定于 10 月 16 日交割，超额配售权尚未行使。定价说明投资者愿意出多少钱，不说明 Iambic 用 AI 设计的药是否有效。

发生了什么：Minos 把 Leash 的 DNA 编码库筛选（数百万个分子对多个蛋白的测量）做成环境：智能体在预算内挑选分子，并被告知测量结果。旗舰任务不给起始分子，预算 100 个分子、20 轮，覆盖 33 个靶点，每个靶点约 600 万个分子。Leash 称六周内跑了约 10 万条智能体轨迹，公开了少量环境和数千条推理轨迹，并发现更强的模型做得更好，较弱的模型在差的化学区域停留过久。

为什么重要：因为每个分子都是事先测好的，智能体每次选择花的是算力而不是实验室的几周，而且它没有选的那些分子的结果也是已知的，所以可以评价它的决策，而不只是最终答案。Leash 的 CEO Ian Quigley 的看法是：这样收集的数据是可重复使用的经验，就像棋局之于下棋的模型。

证据与边界：所有结果都是 Leash 自己的；智能体的表现以图表呈现，本页没有从图上读数，预印本也没有打开。环境只覆盖对单个靶点的结合，且只能在已筛过的分子里选，不含药代和毒性，公开的只是 Leash 手上环境的一小部分。

发生了什么：概率偏差校正（PBC）根据一个预报系统过去的预报和随后的实况，学习如何调整它给出的概率。在 2016-2024 年的数据上，它在 ECMWF 已做过去偏的动力模型基础上，改进了 91% 的气压、92% 的气温和 98% 的降水预报目标；在 2025 年测试年上，它让 ECMWF 的 AI 系统技巧翻倍。它以 MicroDuet 之名参加 ECMWF 的 AI Weather Quest，在 2025 年 9-11 月赛季的所有变量和两个提前期上都排第一，12-2 月赛季再次第一。

为什么重要：提前两到六周，正是农民、电网调度和防汛规划最需要预报、而模型表现最差的时段，常常不比当日的多年平均更好。PBC 是一个可以叠加在任何模型上的校正层，它的竞赛成绩来自天气发生之前发出的预报，对手是各业务预报中心自己的系统。研究由 Hannah Guan 和 Soukayna Mouatadid 牵头，MIT 的 Judah Cohen 与微软研究院的 Lester Mackey 参与；Cohen 说肯尼亚气象部门已来询问如何使用。

证据与边界：竞赛只覆盖两个赛季，主办方 ECMWF 有两名研究人员是论文作者。降水方面，六家中心去偏后的预报都低于气候平均水平，所以提升是从很低的起点算起。周平均预报得分更高，还不等于哪项决策因此做得更好；论文也还没有报告业务化使用。

作者 Hannah Guan、Soukayna Mouatadid、Judah Cohen、Lester Mackey

发生了什么：丹纳赫的发布稿说，两家正着手把它的仪器、自动化和实验室流程软件，与英伟达的计算结合：DGX Spark 这类边缘硬件、做分析的 RAPIDS，以及实时推理和包括 BioNeMo Open Models 在内的基础模型。英伟达的 Kimberly Powell 说出了发布稿描述的那个循环，实验改进模型、模型设计实验；丹纳赫的 Julie Sawyer Montgomery 则说 AI 正在重塑科研方式。初期覆盖选定的一批重点仪器。

为什么重要：丹纳赫卖的是大量实验室里都有的仪器，所以它的仪器在哪里算是要紧的：自主实验室需要测量和推理靠在一起，而把边缘硬件放到仪器端是一条路。发布稿点出的是部件，不是产品。在有东西交付、或有客户说出变化之前，它仍然只是意向。

证据与边界：没有金额、没有股权、没有时间表、没有产品。选定的是哪些仪器没有点名，更广的产品线只是可能，Cosmos 世界模型和 Omniverse 数字孪生写成仍在探索。英伟达未发布自己的新闻稿。丹纳赫此前宣布的自主抗体实验室仍停留在计划阶段，预计 2027 年初规模运行。

发生了什么：在 15 个靶点、3666 个设计上，只折叠接触层加一圈余量，重现完整靶点界面的中位偏差为 0.37 埃，在成纤维细胞活化蛋白 α 那 719 个残基的胞外段上省下 88% 的 GPU 时长。由研究者定下策略、Gemini 3.1 Pro 智能体选择裁剪范围和参数，软件内命中率从 5.06% 升到 9.33%，又省下 42%。随后的酵母展示筛出 4 个克隆，表观解离常数 3.0 到 9.1 纳摩尔。

为什么重要：AlphaFold3 按 token 分档计费，所以筛选设计时的算力大多花在离结合位点很远的靶点残基上，而让一个靶点难以设计的正是它庞大的胞外段。这篇把裁剪当成需要检验的东西，而不是白拿的便宜：界面几何还在不在，区分结合与不结合的排序还准不准，省下的量有没有真的跨过一个计费档。另有一组让智能体从完整靶点的残基图里自行定策略，它最后收敛到研究者此前指定的同一条路线：挡住催化口那一圈。

证据与边界：裁剪有代价：界面排序的平均 ROC-AUC 从 0.777 降到 0.729，其中一个靶点的排序整体垮掉，只有去掉靶点序列比对才恢复，这一招在比对多的靶点上有用，在比对稀疏的靶点上更差。15 个靶点里 7 个本就够小，省不出算力。亲和力是酵母表面测得的表观值，不是纯化蛋白；湿实验与智能体两组都只做了一个靶点，外部没人重复，且这是技术报告。

作者 Jun W. Kim、Annalisa Pawlosky

发生了什么：Generate 拿到 3000 万美元预付款、最高 3500 万美元的早期临床前里程碑、合计近 12 亿美元的各项里程碑，以及阶梯销售分成；首批两个项目，另有第三个的选择权。Generate 负责从研究到候选药确定；Zealand 接手临床开发、注册申报和全球商业化。Zealand 首席科学官 Utpal Singh 说蛋白药物与公司的小分子和多肽互补；Generate 首席执行官 Mike Nally 说两支团队会先定出目标药物的标准。

为什么重要：肥胖症是代谢领域资金最集中的地方，而 Zealand 选择买蛋白质设计能力，而不是自己建：它自己二十五年的积累在多肽上。对 Generate 来说，这是继 2022 年的安进、2024 年的诺华之后的第三家药企合作，也是它今年 2 月在纳斯达克上市后的第一笔，这正是一家刚上市的平台公司需要的收入。

证据与边界：12 亿美元是项目走到开发、注册和商业里程碑后才可能支付的金额，眼下到账的是 3000 万美元。公告没有点名任何靶点、候选分子或数据，工作从设计阶段开始。

发生了什么：新投资方有 Delta-v Capital、Socium Ventures、HighSage Ventures、Coral Capital 和 Legion VC，老股东 Coatue、J.P. Morgan Growth Equity Partners、Index Ventures 和 Applied Ventures 跟投。联合创始人兼 CEO Nick Talken 说，资金用于扩展 Albert 的化学 AI；TCV 的 Morgan Gerlak 代表领投方发言。公告点名的合作方包括阿克苏诺贝尔、巴斯夫、汉高、Kenvue 和高乐氏。

为什么重要：Albert 的客户是涂料、胶粘剂和消费品企业：它的 AI 检索这些企业自己的配方记录、提出候选配方、设计实验，而不是发现新分子。证明其模型有用的证据来自 Albert 自己：一份白皮书称，在 Albert 自建基准最难的一组测试上，其检索模型 Valence 有 81.8% 的情况从取自美国专利的约 100 万个段落中把正确的那一段排进前 100 条结果，OpenAI 和 Voyage 的模型只有 2%–4.5%。未披露估值。

发生了什么：贝勒医学院 Pawel Stankiewicz 的实验室把 26 名婴儿的去标识全基因组交给 Gamow Labs，一线实验室没能诊断他们的肺病，该实验室已解出 19 例。Gamow 用到 Gemini 4 Argon 等前沿模型的 George-0.1 流程，19 例全部对上，并在其余 7 例中的 2 例提出候选。其中一例的测序读段指向一个平衡易位，把 FOXF1 基因和它的增强子分开，与肺泡毛细血管发育不良相符；Stankiewicz 实验室用 Sanger 测序确认了它。

为什么重要：这项研究的进展在于，AI 提出的候选变异走到了实验室确认：Baylor 用自己的测序验证了一例三年未能确诊的染色体重排。这是从标出候选变异，到得出家庭可以依据的诊断。

证据与边界：这是一项由公司披露的小规模研究，共 26 例，只有公司文章，没有论文；第二个候选的结果没有交代。Argon 只是流程里用到的几个模型之一，成果属于整个流程，不能单独归功于 Argon。

作者 Daniel McKinnon

发生了什么：Google 于 10 月 13 日向开发者、企业及符合条件的订阅用户开放 Gemini 4 Argon，同时启动面向 1 万名科学家的 Antigravity 最高使用档免费申请，为期 6 个月。发布的科研案例涉及酶设计、量子计算、聚变研究和罕见病基因组分析。

为什么重要：这次发布值得关注的不只是模型性能，而是前沿 AI 开始在不同科研工作流中留下可以追踪的成果。聚变研究已有公开预印本，量子化学工具 xTB 的优化有代码提交记录；Gamow Labs 报告其 AI 流程发现一例此前未确诊的染色体重排，并由合作实验室通过测序确认。

证据与边界：这些案例的证据程度并不相同。聚变论文仍是预印本；xTB 的三个代码合并请求尚未合并，提交代码也不等于独立的性能验证；Gamow 的研究目前由公司披露，Argon 也只是多模型流程的一部分。Google 展示的酶活性和部分量子优化结果，尚缺少足够的公开材料供外部独立复核。

发生了什么：南洋理工大学的 Xiyao Yu 指出，常用的平衡构型力误差几乎看不到决定速率的能垒区，速率最坏误差随能垒高度指数增长。改用集中在反应路径上的 leverage density 作权重去加权能量误差，可给出速率的估计区间。丙氨酸二肽中，五个力误差相当的人为扰动让速率变为 0.49 到 3.5 倍；Li3OCl 中区间排对了六个模型的离子跃迁速率，但五个实测值高于区间上端约 7%。

为什么重要：机器学习势按力误差评判，却被拿来算扩散和反应速率。这篇给出一个只需几百次参考能量计算的检验，在力误差旁多报两个数；按它挑选训练数据，力误差上升了，速率误差反而下降。Li3OCl 的一致只在把跃迁按机理分开之后成立，混在一起时区间并不跟随。用来检验的速率都出自作者自己的模拟，不是实验；论文是未经同行评审的单作者预印本。

作者 Xiyao Yu

发生了什么：Fan Nie、Haotian Ye 等人把验证拆成两步：先提出可能的错误，再逐个判断是否成立；阈值调到几乎不会误拒有效证明。在三个数学基准上，与同样误拒率下的投票基线相比，需要人工阅读的无效解平均减少 46%，判定器经过训练后为 57%。用它检查 Xinwen Zhu 2017 年发表在《数学年刊》的论文，报出 45 处问题，而同一个模型直接复核只找出 11 处。

为什么重要：当一个求解器产出的候选证明多到没人读得完，专家复核就成了稀缺资源；这篇把这份人力当成预算来算：在几乎不漏掉有效证明的前提下，尽量多拒。被检查论文的原作者确认了这些错误并作了修订。与一个求解智能体搭配后，它还帮助解决了相对 Langlands 对偶中的三个未解猜想，之后由专家确认。

证据与边界：11 篇预印本的主要结论在改正之后依然成立。确认错误的是论文自己的作者；而被报出 88 处问题的那篇预印本，作者之一 Shurui Liu 正是本文作者，三个 Langlands 证明的成文、Manin 常数那篇论文和与 OSVerify 搭配的求解器，也都有他参与。全程没有使用形式化证明检查器。

作者 Fan Nie、Haotian Ye

发生了什么：彭博援引知情人士称，这轮金额为数千万美元，投后估值约 4 亿美元，美团旗下龙珠资本也已承诺参投；交易尚未敲定，估值和投资方都可能变化。胡瀚今年创办 Winverse，此前在腾讯负责视觉语言模型和具身基础模型团队，更早是微软亚洲研究院的首席研究员。公司仍处于隐身状态。

为什么重要：这说明一家大模型公司开始投让机器人行动的 AI，而不只是机器人硬件：DeepSeek 已在人形机器人公司宇树科技上海上市时入股。彭博的看法是，中国擅长造机器人本体，但把指令变成可靠动作的模型仍然落后。交易尚未完成，各方都没有回应，Winverse 也还没有展示任何产品或结果。

发生了什么：创始人是利物浦大学化学系的 Matt Rosseinsky。公司设在该校的 Materials Innovation Factory，把 AI 预测与实验和材料表征方面的专长结合起来，目标是电池和催化剂用的无机晶体。这轮超额认购，IP Group 领投，Northern Gritstone、利物浦大学 Enterprise Fund、Norrsken Evolve、LYVA Labs 和由 Parkwalk 管理的 Northern Universities Venture Fund 参投。资金用于团队、平台和商业伙伴。

为什么重要：Matter Machine 代表另一条材料 AI 商业化路线：把模型预测与大学已有的合成、表征能力结合。创始人 Rosseinsky 在利物浦的实验室此前已多次合成出由计算指引找到的新材料；这轮还带来一位按公告说法参与打造 Oxford Nanopore 的管理者。

证据与边界：这次融资支持团队和平台建设，但公司尚未公开能够判断其技术效果的材料实验数据。

发生了什么：四个政府部门与机构表示，试点项目已帮助发现并修复政府系统中 1000 多个潜在漏洞，项目将扩大。政府还将研究借助《网络安全与韧性法案》，让严重 AI 事件和险些发生的事故被识别和上报，并纳入失控风险，即自主系统逃脱人的监督。AI 安全研究所与国家网络安全中心已在研究如何应对涉及 AI 智能体的事件。宣布者是 AI 事务大臣 Kanishka Narayan。

为什么重要：AI 安全治理正从模型发布前的测试，延伸到部署后的事故报告与应急响应。对未来能够自主运行代码和实验设备的科研智能体，这同样重要。

证据与边界：漏洞检测试点已在运行，1000 多个漏洞是政府自己的统计，没有说明方法和所用模型。严重事故的强制上报机制目前仍在研究中，具体措施要与议员、技术专家和运营方商定。