标签
CERN与Mistral已签署意向声明，建立长期合作伙伴关系，共同构建大型物理模型（Large Physics Model）——首个用于对撞机物理的基础模型。该模型基于数十亿次模拟的LHC质子-质子碰撞进行训练，可支持从粒子重建到异常检测等多种任务。
论文提出了一种流水线，可自动生成基于本体且经推理器验证的多选题基准，用于评估大语言模型在科学人工智能中的逻辑推理能力；该方法在三个本体（Pizza、PMDco、DOID）和六个大语言模型上进行了验证。
一个研究团队对 OpenAI 的 Lean 4 三维 Navier-Stokes 爆炸形式化证明进行了审计，发现该解在数学上虽完全成立，但在原子尺度上会物理失效（流体在 0.7 纳米处汽化）——这是一种典型的规格博弈（specification gaming）。他们提出为神经符号 AI 系统增加一个物理边界层，并开源了其验证脚本。
据报告，Claude 解决了一个重要的数学问题，引起了《科学美国人》（Scientific American）的关注。这一成就突显了 AI 驱动的数学推理领域的进展。
论文提出 Fold2Reason，一种利用蛋白质折叠数据对语言模型进行后训练的方法，结果表明结构密集型科学数据可将通用推理基准的宏平均准确率从 45.09% 提升至 48.33%，并显著优于匹配的随机对照实验。
Terence Tao 表达了对借助纯 AI 方法过早解决数学问题的担忧，作者认为这种看法同样适用于编程。
NS-Copilot是一个LLM驱动的多代理系统，能够自主支持多样化神经科学分析任务的端到端工作流程，在关键基准测试中优于基线方法。
Tamarind 推出了 Tamarind Model Router，该路由器基于基准测试和输入特性，自动为特定输入选择最佳模型，而不是依赖平均性能。
FirstPass 是来自 Nature Communications 的大规模同行评审数据集，涵盖多个科学领域和多轮对话，旨在改进 AI 模型在科学判断方面的能力。
论文介绍了 K-Bench 01，一个用于评估 AI 代理在真实科学请求中性能的基准，揭示了没有模型能持续达到可接受性能的阈值，过度声明是常见的失败模式。
本文介绍了用于科学图像多模态理解的ALD/E-ImageMiner基准，并基于ICDAR 2026竞赛的见解，讨论了通用科学人工智能的未来研究方向。
Inherent Labs推出了Faraday，一个270亿参数的AI科学家智能体，通过长期强化学习训练以复制科学研究，在论文复制任务上超越了Claude Opus 4.8和GPT-5.5。
一个名为Faraday的27B参数AI科学家代理通过使用一种名为Replica的可扩展强化学习方法，在论文复制任务上超越了Claude Opus 4.8和GPT-5.5。
本文介绍了REDI，这是一个开源框架，通过统一的五阶段流水线（摄取、预处理、转换、结构化、输出）将原始科学数据集自动转换为AI就绪数据，并配有配套工具SetGo以实现FAIR合规性，在多个科学领域进行了评估。
OpenScience 是 Claude Science 的一个开源替代品，支持多种 AI 模型和超过 250 项研究技能，原生集成 Atlas 以实现可重复的研究图谱，并提供用户可控的基础设施。
NVIDIA 宣布其 Vera CPU 将为洛斯阿拉莫斯国家实验室的新超级计算机提供动力，为代理型 AI 模拟和科学工作负载带来显著性能提升。
OpenAI 与 Molecule.one 合作，让他们的 AI 系统（GPT-5.4 和 Maria）自主选择研究领域、生成提案并在有机化学中运行实验，实现了 88% 测试反应的产率提升——这是 AI 驱动的开放式科学发现的首次。
Notes2Skills 是一个两阶段框架，将实验笔记转化为可验证的AI智能体技能，同时保留作者的不确定性，从而实现更安全的科学AI系统。
Anthropic 的通用AI模型 Claude（未经化学微调）在核磁共振分析中表现优于 ChemDraw 和 MestReNova 等专业软件，这表明科学AI领域的瓶颈已从模型能力转向工作流设计。
本文介绍了I-SAFE，一个基于Wasserstein一致性度量的科学AI模型事后分布审计框架，它揭示了基于准确率的评估无法捕获的模型输出中的结构差异。在药物-靶点相互作用预测任务上进行了演示，该框架是模型无关的，适用于任何具有结构化输入和外部先验知识的领域。