标签
S1-Omni是一个用于科学任务（包括理解、预测和生成）的统一多模态推理模型。它基于包含200个科学任务的语料库进行训练，在大多数基准测试上优于GPT-5.5和Gemini-3.1-Pro。
本文在3D空间约束下，将通用LLMs与专门的扩散模型进行对比基准测试，以生成结合分子。结果显示，尽管LLMs目前落后于最先进的方法，但它们展现出了潜力。
介绍了HEDGEHOG，一个用于评估药物发现中分子生成模型的分层基准，揭示只有0.65%的生成分子通过了所有药物化学和对接筛选。
SinAE 提出了一个基于普通Transformer的单架构流匹配自编码器，能够在分子、晶体和蛋白质上实现近乎无损的重建，支持跨域训练，并在标准基准测试中展现出强大的生成性能。
本文介绍了一种新颖的基于扩散的生成模型，用于基于结构的药物设计。该模型解耦了口袋和配体的表示学习，并融入了多尺度相互作用信号和属性感知优化，以生成具有更强结合亲和力和更优ADMET属性的可开发3D分子。
本文介绍了Reward Transport方法，该方法在流匹配训练中使用最优传输耦合，将标量噪声坐标与分子奖励对齐，从而在推理时无需额外计算即可实现对logP和QED等分子属性的单调控制。
DrugGen-2通过监督学习和强化学习（GRPO）微调GPT-2，在疾病本体和靶点蛋白质序列条件下生成小分子，实现了药物发现中更高的多样性和结合亲和力。
介绍MolSafeEval，这是一个专门评估AI生成分子安全风险的基准，通过将异质安全知识整合到分子安全知识图谱中，并利用基于大语言模型的推理来系统检测不安全特征。
本文介绍了Sesame，一个基于扩散的分子生成模型，该模型通过空间密度图对部分分子结构和蛋白质口袋进行条件化，从而实现从头生成和片段条件的先导化合物优化，用于药物设计。
本文介绍了TopVAE，一种拓扑优化的变分自编码器，通过让解码器内化结构和化学约束来减少分子潜在扩散中的“暗区”，从而显著提高分子生成质量。
提出CoMole，一种基于基序感知图扩散和强化学习的可控分子生成基础模型，在材料和药物发现基准测试中实现了卓越的可控性。
ToolMol是一个进化式智能体框架，结合了多目标遗传算法和基于LLM的操作符，用于设计小分子药物，在多个蛋白质靶点上实现了最先进的结合亲和力和类药性。