AI 与科学前沿 · 2026-11-09

面向听觉皮层植入的编码算法Braincodec把自然声压缩到256或512个刺激通道，重建相似度接近10的SI-SNR，而人工耳蜗编码器约为-30。它同时让刺激模式贴近听觉皮层的时空响应，植入小鼠用这些模式分辨纯音，精度与听真实纯音的小鼠无显著差异。

面向听觉皮层植入的编码算法Braincodec把自然声压缩到256或512个刺激通道，重建相似度接近10的SI-SNR，而人工耳蜗编码器约为-30。它同时让刺激模式贴近听觉皮层的时空响应，植入小鼠用这些模式分辨纯音，精度与听真实纯音的小鼠无显著差异。

系统发育树的后验推断长期依赖似然计算，而插入缺失、位点选择等真实演化过程让似然不可解。这组条件生成模型把建树拆成自底向上、自中向外或自顶向下的一步步决策，用离散扩散目标训练，在真实与合成数据上比此前的模拟推断方法Phyloformer 2更接近MCMC后验；在简单数据上与IQ-Tree持平，在更真实的复杂模型数据上稳定更准。

系统发育树的后验推断长期依赖似然计算，而插入缺失、位点选择等真实演化过程让似然不可解。这组条件生成模型把建树拆成自底向上、自中向外或自顶向下的一步步决策，用离散扩散目标训练，在真实与合成数据上比此前的模拟推断方法Phyloformer 2更接近MCMC后验；在简单数据上与IQ-Tree持平，在更真实的复杂模型数据上稳定更准。

毫米波雷达的人体微多普勒长期缺少可规模化的数据来源，现有模拟器只做前向仿真、学到的生成器把场景藏在网络权重里，静态场景反演渲染器又没有慢时间轴，因此都无法拟合一段真实的人体运动采集。4DPS把场景表示为带材质、法向和速度的有向点，用闭式多普勒点扩散函数把每个点直接撒进距离与多普勒单元，输出真实雷达记录的原始复数回波。在HuPR与RT-Pose上，拟合后的渲染在微多普勒上取得0.988和0.966的中位相关，仅用渲染数据训练的位姿模型在真实数据上保留0.59和0.76的真实训练精度。

毫米波雷达的人体微多普勒长期缺少可规模化的数据来源，现有模拟器只做前向仿真、学到的生成器把场景藏在网络权重里，静态场景反演渲染器又没有慢时间轴，因此都无法拟合一段真实的人体运动采集。4DPS把场景表示为带材质、法向和速度的有向点，用闭式多普勒点扩散函数把每个点直接撒进距离与多普勒单元，输出真实雷达记录的原始复数回波。在HuPR与RT-Pose上，拟合后的渲染在微多普勒上取得0.988和0.966的中位相关，仅用渲染数据训练的位姿模型在真实数据上保留0.59和0.76的真实训练精度。

连续时间随机过程此前没有对应的工具变量框架，离散时间方法把工具变量的结构稀疏性放在有限步转移上，与真实机制不符。研究者把相关性、排除性与外生性三条假设直接写在随机微分方程漂移的无穷小层面，用工具过程整条路径构造矩条件，并在线性情形给出可识别条件与一致估计。在混杂的 Ornstein-Uhlenbeck 模拟系统上，最大似然估计随混杂增强而系统性偏大，而该估计保持稳定；单个工具过程还能识别多维因果效应。

连续时间随机过程此前没有对应的工具变量框架，离散时间方法把工具变量的结构稀疏性放在有限步转移上，与真实机制不符。研究者把相关性、排除性与外生性三条假设直接写在随机微分方程漂移的无穷小层面，用工具过程整条路径构造矩条件，并在线性情形给出可识别条件与一致估计。在混杂的 Ornstein-Uhlenbeck 模拟系统上，最大似然估计随混杂增强而系统性偏大，而该估计保持稳定；单个工具过程还能识别多维因果效应。

单细胞基因调控建模此前分成两条路：序列模型能读DNA调控语法却缺少细胞分辨率，单细胞组学模型把基因和峰当作固定词表里的标记，丢掉了序列本身。Muss用冻结的序列编码器从DNA导出峰和基因表示，再以峰间自注意力和带基因组距离偏置的峰—基因交互把它们连起来，并用峰掩码语言建模加配对scATAC-seq与scRNA-seq训练对齐细胞状态。在四个配对数据集上，它对训练中未出现的基因和峰仍能给出表达预测，留出序列设置下PBMC10K的伪批量PCC为0.684。

单细胞基因调控建模此前分成两条路：序列模型能读DNA调控语法却缺少细胞分辨率，单细胞组学模型把基因和峰当作固定词表里的标记，丢掉了序列本身。Muss用冻结的序列编码器从DNA导出峰和基因表示，再以峰间自注意力和带基因组距离偏置的峰—基因交互把它们连起来，并用峰掩码语言建模加配对scATAC-seq与scRNA-seq训练对齐细胞状态。在四个配对数据集上，它对训练中未出现的基因和峰仍能给出表达预测，留出序列设置下PBMC10K的伪批量PCC为0.684。

酸敏感离子通道hASIC1a在缺血时被持续激活并推动神经元死亡，但小分子抑制剂缺乏选择性或效力，毒液肽则受pH依赖性和二硫键生产限制。研究者用RFdiffusion生成骨架、ProteinMPNN分配序列、AlphaFold2筛选，从约1.2万个骨架和7万个序列中选出76个候选，经自动膜片钳筛出44氨基酸的Denasin1。该小蛋白在溶液中无序，结合后折叠为螺旋-转角-螺旋，对hASIC1a的IC50为23±2.5 nM，并在小鼠短暂性大脑中动脉闭塞模型中把梗死体积从19.5±9%降至8.6±5.4%。

酸敏感离子通道hASIC1a在缺血时被持续激活并推动神经元死亡，但小分子抑制剂缺乏选择性或效力，毒液肽则受pH依赖性和二硫键生产限制。研究者用RFdiffusion生成骨架、ProteinMPNN分配序列、AlphaFold2筛选，从约1.2万个骨架和7万个序列中选出76个候选，经自动膜片钳筛出44氨基酸的Denasin1。该小蛋白在溶液中无序，结合后折叠为螺旋-转角-螺旋，对hASIC1a的IC50为23±2.5 nM，并在小鼠短暂性大脑中动脉闭塞模型中把梗死体积从19.5±9%降至8.6±5.4%。

计算药物发现智能体通常每次任务都从零组织工具调用，难以把一次成功经验带到下一次。DrugHarness把80余项科学操作与生物医学资源放进同一工作区，从执行轨迹中归纳带适用条件的行动假设，再由独立审查智能体核对来源、必要时做定向试算后才纳入技能库。在MolBench上，未启用进化的配置把亲和力比较准确率做到91.9%，比已报道的MolClaw-CC高10.8个百分点；回顾性评估中，冻结的学习技能把Qwen的优化成功率从79.5%提高到87.2%。

计算药物发现智能体通常每次任务都从零组织工具调用，难以把一次成功经验带到下一次。DrugHarness把80余项科学操作与生物医学资源放进同一工作区，从执行轨迹中归纳带适用条件的行动假设，再由独立审查智能体核对来源、必要时做定向试算后才纳入技能库。在MolBench上，未启用进化的配置把亲和力比较准确率做到91.9%，比已报道的MolClaw-CC高10.8个百分点；回顾性评估中，冻结的学习技能把Qwen的优化成功率从79.5%提高到87.2%。

可复用资源（评审人、坐席、服务器）的在线派单长期依赖贪心：每次把当前匹配分最高的资源派出去，却不计它被占用后未来任务失去的价值。LAG 把问题写成上下文 restless 多臂老虎机，用占用测度线性规划的上界及其对偶，为每个任务类型与资源对算出一个闭式索引，等于匹配分减去保留该资源的机会成本。在同行评审数据与结构化合成实例上，LAG 达到该线性规划上界的 83%–99%，相对贪心在期刊数据上最多提升 12.3%，在合成实例上最多提升 36%。

可复用资源（评审人、坐席、服务器）的在线派单长期依赖贪心：每次把当前匹配分最高的资源派出去，却不计它被占用后未来任务失去的价值。LAG 把问题写成上下文 restless 多臂老虎机，用占用测度线性规划的上界及其对偶，为每个任务类型与资源对算出一个闭式索引，等于匹配分减去保留该资源的机会成本。在同行评审数据与结构化合成实例上，LAG 达到该线性规划上界的 83%–99%，相对贪心在期刊数据上最多提升 12.3%，在合成实例上最多提升 36%。

ALHENA把空间转录组的信息蒸馏进常规H&E编码器，推理时只读图像。它不回归单个基因，而是让H&E表示去匹配两个冻结转录组模型在细胞和邻域尺度上给出的样本间相似度结构。在TCGA的110个癌种与特征组合上，平均Spearman相关为0.341，高于未适配UNI2-h的0.161；在Thunder病理基准上中位变化为−0.004。

ALHENA把空间转录组的信息蒸馏进常规H&E编码器，推理时只读图像。它不回归单个基因，而是让H&E表示去匹配两个冻结转录组模型在细胞和邻域尺度上给出的样本间相似度结构。在TCGA的110个癌种与特征组合上，平均Spearman相关为0.341，高于未适配UNI2-h的0.161；在Thunder病理基准上中位变化为−0.004。

PhysioWave-T 把多尺度小波分析压进固定长度的 token 序列：在分词之前用动态尺度折叠把各子带重新合成一路信号，使分解层数只改变每个 token 的内容、不再拉长序列。四个脑电路由上，折叠相对尺度展开把 Transformer 延迟降低 4.0–7.2 倍、峰值显存降低 6.8–12.7 倍且不损失精度；30M 参数脑电编码器在九个指标中的八个领先 BENDR、BIOT、LaBraM 与 EEGPT。

PhysioWave-T 把多尺度小波分析压进固定长度的 token 序列：在分词之前用动态尺度折叠把各子带重新合成一路信号，使分解层数只改变每个 token 的内容、不再拉长序列。四个脑电路由上，折叠相对尺度展开把 Transformer 延迟降低 4.0–7.2 倍、峰值显存降低 6.8–12.7 倍且不损失精度；30M 参数脑电编码器在九个指标中的八个领先 BENDR、BIOT、LaBraM 与 EEGPT。

SafeLens把非线性机器学习与严格的假阳性控制结合起来，用于分析事件锁定的神经活动。它在每个滑动窗口位置训练随机森林，区分事件锁定试次与静息试次，再用单独留出的静息记录跑同一流程，得到与模型匹配的经验零分布，从而在通道水平控制族错误率。在注入模拟皮层-皮层诱发电位的真实静息颅内脑电上，它检出的极性分辨偏转约为试次平均阈值法和最接近的数据驱动方法的2.5倍，假成分少5至11倍；在八名患者的记录中，响应在刺激后1040毫秒仍高于随机水平，而两个对照分别为570毫秒和455毫秒。

SafeLens把非线性机器学习与严格的假阳性控制结合起来，用于分析事件锁定的神经活动。它在每个滑动窗口位置训练随机森林，区分事件锁定试次与静息试次，再用单独留出的静息记录跑同一流程，得到与模型匹配的经验零分布，从而在通道水平控制族错误率。在注入模拟皮层-皮层诱发电位的真实静息颅内脑电上，它检出的极性分辨偏转约为试次平均阈值法和最接近的数据驱动方法的2.5倍，假成分少5至11倍；在八名患者的记录中，响应在刺激后1040毫秒仍高于随机水平，而两个对照分别为570毫秒和455毫秒。

部分观测的动力系统只能看到粗粒化后的慢变量，未解析的快变量以随机作用进入，因此数据驱动的气候模拟器必须是概率性的，而扩散模型等生成模型在长自回归积分中缺乏稳定性保证。强迫-耗散随机插值把湍流中能量注入与耗散的结构写成漂移网络的硬约束，并借助马尔可夫链的Foster–Lyapunov漂移条件证明模拟器几何遍历。在双尺度Lorenz-96原型上，该模拟器在长积分和有限振幅外强迫下保持稳定，并准确预测均值与方差的强迫响应。

部分观测的动力系统只能看到粗粒化后的慢变量，未解析的快变量以随机作用进入，因此数据驱动的气候模拟器必须是概率性的，而扩散模型等生成模型在长自回归积分中缺乏稳定性保证。强迫-耗散随机插值把湍流中能量注入与耗散的结构写成漂移网络的硬约束，并借助马尔可夫链的Foster–Lyapunov漂移条件证明模拟器几何遍历。在双尺度Lorenz-96原型上，该模拟器在长积分和有限振幅外强迫下保持稳定，并准确预测均值与方差的强迫响应。

FlowAlign把条件流匹配从推理时的生成工具改成训练时的对齐信号：先沿配对样本的插值路径学一个以源模态为条件的速度场，再冻结它，用候选表示所诱导路径的速度残差来训练源侧映射器。在PBMC与BMMC配对单细胞多组学基准上，它把ATAC表示映射进固定的RNA PCA空间，FOSCTTM低于所比较的整合方法与同架构配对基线，同时NMI、ARI等结构指标更高。合成数据与图像—文本对齐任务上也报告了同类改进。

FlowAlign把条件流匹配从推理时的生成工具改成训练时的对齐信号：先沿配对样本的插值路径学一个以源模态为条件的速度场，再冻结它，用候选表示所诱导路径的速度残差来训练源侧映射器。在PBMC与BMMC配对单细胞多组学基准上，它把ATAC表示映射进固定的RNA PCA空间，FOSCTTM低于所比较的整合方法与同架构配对基线，同时NMI、ARI等结构指标更高。合成数据与图像—文本对齐任务上也报告了同类改进。

上下文搜索与上下文双边贸易此前在只回传一比特反馈时，上界与已知下界之间留着明显缺口。这项工作用同一个迹平方根势函数统一处理两种问题，在对抗设定下给出与已有下界只差常数因子的遗憾界，并额外给出只依赖先验协方差矩阵、对任意轮数成立的贝叶斯界。

上下文搜索与上下文双边贸易此前在只回传一比特反馈时，上界与已知下界之间留着明显缺口。这项工作用同一个迹平方根势函数统一处理两种问题，在对抗设定下给出与已有下界只差常数因子的遗憾界，并额外给出只依赖先验协方差矩阵、对任意轮数成立的贝叶斯界。

介入心脏磁共振要求重建延迟低于200毫秒，而高质量重建通常需要更多采样。KOSTAL把循环网络直接放在欠采样的黄金角径向k空间上，用采样掩码决定每个位置保留旧数据还是换上新数据，再在图像域做一次精修。在OCMR模拟数据上，每帧10条辐条的重建中位SSIM为0.907，而10条辐条直接网格化为0.622，单帧处理时间不到34毫秒。

介入心脏磁共振要求重建延迟低于200毫秒，而高质量重建通常需要更多采样。KOSTAL把循环网络直接放在欠采样的黄金角径向k空间上，用采样掩码决定每个位置保留旧数据还是换上新数据，再在图像域做一次精修。在OCMR模拟数据上，每帧10条辐条的重建中位SSIM为0.907，而10条辐条直接网格化为0.622，单帧处理时间不到34毫秒。

早孕期唐氏筛查的超声图像分辨率低、结构差异大，而罕见异常病例稀少，使常规自监督预训练难以奏效。RadarMAE改用同心圆环与角度扇区交替遮挡的雷达式掩码，迫使网络学习颅面结构的连续曲率与细长形态，在内部队列上取得AUC 0.99、准确率0.97。配合域对抗适配，模型在四家外部医院仅用无标注图像校准，关键指标相对内部的下降被限制在0.04以内。

早孕期唐氏筛查的超声图像分辨率低、结构差异大，而罕见异常病例稀少，使常规自监督预训练难以奏效。RadarMAE改用同心圆环与角度扇区交替遮挡的雷达式掩码，迫使网络学习颅面结构的连续曲率与细长形态，在内部队列上取得AUC 0.99、准确率0.97。配合域对抗适配，模型在四家外部医院仅用无标注图像校准，关键指标相对内部的下降被限制在0.04以内。

量子低密度奇偶校验码的距离决定其纠错能力，但精确求解是NP难问题，启发式搜索又耗时，使大规模码空间筛选受限。BB-Net 把双变量自行车（BB）码的距离估计转成学习任务：用约5.87万个由高预算启发式搜索标注上界的码样本训练注意力网络，直接从稀疏多项式结构预测距离。在测试集上，BB-Net 对参考距离的准确率为96.39%，高于同一张表中最好的启发式方法 QDistEvol 的94.86%，单码推理耗时0.005秒。

量子低密度奇偶校验码的距离决定其纠错能力，但精确求解是NP难问题，启发式搜索又耗时，使大规模码空间筛选受限。BB-Net 把双变量自行车（BB）码的距离估计转成学习任务：用约5.87万个由高预算启发式搜索标注上界的码样本训练注意力网络，直接从稀疏多项式结构预测距离。在测试集上，BB-Net 对参考距离的准确率为96.39%，高于同一张表中最好的启发式方法 QDistEvol 的94.86%，单码推理耗时0.005秒。

重症监护的资源规划长期依赖为单一政策问题手工设定的紧凑状态转移模型，换一个问题就要重新定义状态。一个在MIMIC-IV上训练后冻结的患者世界模型，把不规则电子病历编码为状态—事件序列，并按仿真器请求的任意时间间隔给出预测，再通过场景专属映射接入共享床位与人员队列。在入院、护理派工和转出三类仿真中，它与按任务拟合的马尔可夫和半马尔可夫模型在容量与派工政策的方向性响应上一致，并复现了回放真实轨迹得到的派工收益。

重症监护的资源规划长期依赖为单一政策问题手工设定的紧凑状态转移模型，换一个问题就要重新定义状态。一个在MIMIC-IV上训练后冻结的患者世界模型，把不规则电子病历编码为状态—事件序列，并按仿真器请求的任意时间间隔给出预测，再通过场景专属映射接入共享床位与人员队列。在入院、护理派工和转出三类仿真中，它与按任务拟合的马尔可夫和半马尔可夫模型在容量与派工政策的方向性响应上一致，并复现了回放真实轨迹得到的派工收益。

连续对称性通常要先写出微分方程的符号形式、再解超定的确定方程组，而这里改为直接在采样射流数据上构造线性算子，把可容许的对称生成元从冗余方向中分离出来。在二维空间波动方程这一基准上，方法依次恢复出11个生成元，验证集上的对称性残差保持在接近机器精度的量级，并在事后检验中复现了李括号闭合。

连续对称性通常要先写出微分方程的符号形式、再解超定的确定方程组，而这里改为直接在采样射流数据上构造线性算子，把可容许的对称生成元从冗余方向中分离出来。在二维空间波动方程这一基准上，方法依次恢复出11个生成元，验证集上的对称性残差保持在接近机器精度的量级，并在事后检验中复现了李括号闭合。

对描述内孤立波的Dubreil-Jacotin-Long方程，神经求解器面对的不只是精度问题，还要在平凡态、振荡波列和展宽近解中挑出物理孤立波。同一初值下，带可用势能约束的Deep Ritz目标找回了mode-1波，而强形式与弱形式残差目标在第一轮下降中就丢掉了规定的可用势能；随后对已选出的波做保持可用势能精确的残差细化，状态通过了全部验收项。

对描述内孤立波的Dubreil-Jacotin-Long方程，神经求解器面对的不只是精度问题，还要在平凡态、振荡波列和展宽近解中挑出物理孤立波。同一初值下，带可用势能约束的Deep Ritz目标找回了mode-1波，而强形式与弱形式残差目标在第一轮下降中就丢掉了规定的可用势能；随后对已选出的波做保持可用势能精确的残差细化，状态通过了全部验收项。

在顺序生物筛选中，大模型提议的候选常按命中数计功，但重选策略和随机补位本身也会产生命中。CADS把完整回路与去掉提议者的同一回路各自做错误率受控的判定，再取两者认证发现数的配对差；在DepMap模拟中，无LLM回路单独就能通过常规反馈门槛，按来源计数会把Qwen2.5-7B的净贡献从接近零抬到看似为正。

在顺序生物筛选中，大模型提议的候选常按命中数计功，但重选策略和随机补位本身也会产生命中。CADS把完整回路与去掉提议者的同一回路各自做错误率受控的判定，再取两者认证发现数的配对差；在DepMap模拟中，无LLM回路单独就能通过常规反馈门槛，按来源计数会把Qwen2.5-7B的净贡献从接近零抬到看似为正。

语言模型智能体的检索效果取决于它拿到的搜索界面，而现有界面多由人预先设定、对所有语料一视同仁。SearchWeaver把语料预处理产物、可执行工具和使用说明放在一起，用智能体的执行轨迹与任务奖励反复改写，再按下游搜索表现挑选。在GPT-5.4-nano上，优化后的界面把BrowseComp-Plus答案准确率从71.6%提到78.4%，把四个BRIGHT子集的平均nDCG@10从45.7提到55.0，同时缩短了工具执行时间。

语言模型智能体的检索效果取决于它拿到的搜索界面，而现有界面多由人预先设定、对所有语料一视同仁。SearchWeaver把语料预处理产物、可执行工具和使用说明放在一起，用智能体的执行轨迹与任务奖励反复改写，再按下游搜索表现挑选。在GPT-5.4-nano上，优化后的界面把BrowseComp-Plus答案准确率从71.6%提到78.4%，把四个BRIGHT子集的平均nDCG@10从45.7提到55.0，同时缩短了工具执行时间。

多任务部署常要把多个独立微调的模型合成一个，但现有合并方法把所有任务压进同一个共享低秩空间，子空间方向不一致的任务会丢失关键方向。GRAM只用微调后的权重，先按任务输出子空间之间的主角几何把任务分成若干组，再在每组内做标准的SVD合并。在Flan-T5-Base的GLUE上平均准确率83.8%，高于全局合并的81.9%和最强基线TSV-Merge的81.7%，代价是多部署一个模型。

多任务部署常要把多个独立微调的模型合成一个，但现有合并方法把所有任务压进同一个共享低秩空间，子空间方向不一致的任务会丢失关键方向。GRAM只用微调后的权重，先按任务输出子空间之间的主角几何把任务分成若干组，再在每组内做标准的SVD合并。在Flan-T5-Base的GLUE上平均准确率83.8%，高于全局合并的81.9%和最强基线TSV-Merge的81.7%，代价是多部署一个模型。

自闭症等神经发育障碍的脑连接差异长期靠病例—对照的组平均比较，个体差异被抹平。BRIDGE把图变分自编码器与规范建模结合，用1164名神经典型者的结构连接组学出一条随年龄变化的参照轨迹，再以脑龄差给出全局偏离分数、以区域嵌入给出个体化偏离图。在229名自闭症儿童中，男性患者的全局分数与ADOS（Spearman R=−0.291）和IQ（Pearson R=0.195）相关，脑龄预测误差比同类深度学习模型低3%–9%。

自闭症等神经发育障碍的脑连接差异长期靠病例—对照的组平均比较，个体差异被抹平。BRIDGE把图变分自编码器与规范建模结合，用1164名神经典型者的结构连接组学出一条随年龄变化的参照轨迹，再以脑龄差给出全局偏离分数、以区域嵌入给出个体化偏离图。在229名自闭症儿童中，男性患者的全局分数与ADOS（Spearman R=−0.291）和IQ（Pearson R=0.195）相关，脑龄预测误差比同类深度学习模型低3%–9%。

Titan-Llama把预训练Llama-3.2-1B-Instruct前四层改成块状注意力，并在每个KV头上外挂一个固定大小的神经记忆模块，用测试时训练把历史键值压进模块，主干参数保持冻结。在QuALITY上，相比仅用分段注意力窗口，准确率从23.87%升到40.51%；在LongHealth上从14.50%升到40.75%。评测配置下，中等上下文长度预填充快20%以上、解码快37%，稳态解码显存低24%。

Titan-Llama把预训练Llama-3.2-1B-Instruct前四层改成块状注意力，并在每个KV头上外挂一个固定大小的神经记忆模块，用测试时训练把历史键值压进模块，主干参数保持冻结。在QuALITY上，相比仅用分段注意力窗口，准确率从23.87%升到40.51%；在LongHealth上从14.50%升到40.75%。评测配置下，中等上下文长度预填充快20%以上、解码快37%，稳态解码显存低24%。

手术图像分析长期依赖自然图像预训练编码器，或在小规模标注数据上从零训练专用模型。InnerLogic-Surg 以 DINOv3 为起点，在来自11965段公开手术视频、约2900小时、覆盖15种以上术式的数百万帧上做持续自监督预训练，得到21M至300M参数的编码器家族。在冻结骨干、仅训练线性读出层的统一协议下，该家族在覆盖流程识别、器械与解剖识别、分割、检测和单目深度的20项任务上均取得最佳线性探针表现，其中 ViT-L 在18项领先，ViT-B 在 GraSP 步骤识别与单目深度上最佳。

手术图像分析长期依赖自然图像预训练编码器，或在小规模标注数据上从零训练专用模型。InnerLogic-Surg 以 DINOv3 为起点，在来自11965段公开手术视频、约2900小时、覆盖15种以上术式的数百万帧上做持续自监督预训练，得到21M至300M参数的编码器家族。在冻结骨干、仅训练线性读出层的统一协议下，该家族在覆盖流程识别、器械与解剖识别、分割、检测和单目深度的20项任务上均取得最佳线性探针表现，其中 ViT-L 在18项领先，ViT-B 在 GraSP 步骤识别与单目深度上最佳。

蛋白质基础模型要落到某个实验室的具体测定上，通常得先做一次昂贵且容易失败的适配，而现有智能体把微调当成可靠的工具调用，可行性靠估计、不可行往往在算力花掉后才发现。CAPO把适配改写成带闸门的决策问题：在目标加速器上实测可行性、按预算做成本准入、在真实训练循环里跑200步金丝雀，并允许系统拒绝负担不起的方案。同一套未改动的系统在三个蛋白质任务上分别选择了部分微调ESM-2 8M、拒绝微调Boltz-2改用冻结表征上的校准头、以及对ESM-2 150M做秩4低秩适配。

蛋白质基础模型要落到某个实验室的具体测定上，通常得先做一次昂贵且容易失败的适配，而现有智能体把微调当成可靠的工具调用，可行性靠估计、不可行往往在算力花掉后才发现。CAPO把适配改写成带闸门的决策问题：在目标加速器上实测可行性、按预算做成本准入、在真实训练循环里跑200步金丝雀，并允许系统拒绝负担不起的方案。同一套未改动的系统在三个蛋白质任务上分别选择了部分微调ESM-2 8M、拒绝微调Boltz-2改用冻结表征上的校准头、以及对ESM-2 150M做秩4低秩适配。

离散扩散模型此前缺少像连续扩散那样的统计理论，尤其不清楚它能否利用数据分布的稀疏结构。该分析把掩码扩散的分数估计写成按上下文做标签平滑的分类器，并证明这种平滑等价于用均匀分布分数损失做正则。在至多k个序列有正概率的稀疏分布类上，掩码与均匀两种加噪过程的终端分布都达到稀疏极小极大速率，且平滑强度可由训练中出现的不同序列数自适应选取，无需知道稀疏参数。

离散扩散模型此前缺少像连续扩散那样的统计理论，尤其不清楚它能否利用数据分布的稀疏结构。该分析把掩码扩散的分数估计写成按上下文做标签平滑的分类器，并证明这种平滑等价于用均匀分布分数损失做正则。在至多k个序列有正概率的稀疏分布类上，掩码与均匀两种加噪过程的终端分布都达到稀疏极小极大速率，且平滑强度可由训练中出现的不同序列数自适应选取，无需知道稀疏参数。

可训练的脉冲神经网络此前把能耗当作与突触类型无关的通用惩罚，而皮层中谷氨酸能传递的ATP开销明显高于GABA能传递。把这一成本不对称作为拉格朗日惩罚嵌入代理梯度训练，在遵循Dale定律的循环微回路上训练后，单一标量惩罚自动对兴奋通路施加更强梯度压力。在Spiking Heidelberg Digits基准上，无惩罚网络收敛到70.9%的抑制主导状态，轻度代谢压力下准确率升至79.5%，同时每样本能耗从86,519 ATP单位降到16,019。

可训练的脉冲神经网络此前把能耗当作与突触类型无关的通用惩罚，而皮层中谷氨酸能传递的ATP开销明显高于GABA能传递。把这一成本不对称作为拉格朗日惩罚嵌入代理梯度训练，在遵循Dale定律的循环微回路上训练后，单一标量惩罚自动对兴奋通路施加更强梯度压力。在Spiking Heidelberg Digits基准上，无惩罚网络收敛到70.9%的抑制主导状态，轻度代谢压力下准确率升至79.5%，同时每样本能耗从86,519 ATP单位降到16,019。

运动方向估计长期缺少跨物种、跨脑区的统一模型，已有模型往往只适配某类动物、某个脑区或某一种现象。INME 只使用对四个基本方向敏感的细胞，把树突非线性与反向传播动作电位纳入同一电路，并加入求和后的读出阶段。在十一个合成刺激实验中，它定性复现了从对比度饱和、反向 Phi 到时间反演对称性破缺等现象，而五个参数量达百万级的深度光流网络只复现了其中少数几项。

运动方向估计长期缺少跨物种、跨脑区的统一模型，已有模型往往只适配某类动物、某个脑区或某一种现象。INME 只使用对四个基本方向敏感的细胞，把树突非线性与反向传播动作电位纳入同一电路，并加入求和后的读出阶段。在十一个合成刺激实验中，它定性复现了从对比度饱和、反向 Phi 到时间反演对称性破缺等现象，而五个参数量达百万级的深度光流网络只复现了其中少数几项。

流式视频理解要在还不知道后续会问什么的情况下保留证据，而现有方法压缩历史时容易把事件之间的变化抹平，且一旦帧过去就无法找回被省略的细节。DeltaStreamer把相邻帧的视觉变化显式记录进分层文本记忆，并在问题到达后由查询驱动的规划器决定检索、继续观察还是回放历史帧。在OVO-Bench与StreamingBench上，其总分分别为66.07%和59.53%，高于所比较的代表性流式方法。

流式视频理解要在还不知道后续会问什么的情况下保留证据，而现有方法压缩历史时容易把事件之间的变化抹平，且一旦帧过去就无法找回被省略的细节。DeltaStreamer把相邻帧的视觉变化显式记录进分层文本记忆，并在问题到达后由查询驱动的规划器决定检索、继续观察还是回放历史帧。在OVO-Bench与StreamingBench上，其总分分别为66.07%和59.53%，高于所比较的代表性流式方法。

闭环脑刺激的控制器通常按预设目标训练，难以跟随脑活动的实时波动。CLEAR-FORCE把储层网络输出的目标误差与模拟脉冲网络群体膜电位的反馈误差合并，在刺激进行中实时更新读出权重。在两组脉冲神经元仿真中，它分别诱导出30 Hz振荡并压制阵发性爆发；闭环反馈强度高于零时误差低于开环，但反馈过弱反而差于开环。

闭环脑刺激的控制器通常按预设目标训练，难以跟随脑活动的实时波动。CLEAR-FORCE把储层网络输出的目标误差与模拟脉冲网络群体膜电位的反馈误差合并，在刺激进行中实时更新读出权重。在两组脉冲神经元仿真中，它分别诱导出30 Hz振荡并压制阵发性爆发；闭环反馈强度高于零时误差低于开环，但反馈过弱反而差于开环。

多目标分子优化通常要求一次生成就同时改善多个性质并保持骨架相似，而此前基于大语言模型的方法要么只在推理时把上一轮反馈塞进提示、没有专门训练，要么只在单轮生成上做监督微调或强化学习。MFG 把这一过程改写为带反馈的多轮问题，用强化学习训练模型逐轮利用上一轮的性质变化与相似度信息，并在 MuMOInstruct 的十项任务上以 GeLLM3O 为底座得到 GeLLM3O-MFG，取得 81.50% 的平均相似度约束成功率。

多目标分子优化通常要求一次生成就同时改善多个性质并保持骨架相似，而此前基于大语言模型的方法要么只在推理时把上一轮反馈塞进提示、没有专门训练，要么只在单轮生成上做监督微调或强化学习。MFG 把这一过程改写为带反馈的多轮问题，用强化学习训练模型逐轮利用上一轮的性质变化与相似度信息，并在 MuMOInstruct 的十项任务上以 GeLLM3O 为底座得到 GeLLM3O-MFG，取得 81.50% 的平均相似度约束成功率。

跨受试者脑电到图像重建此前依赖源受试者学到的语义嵌入，遇到未标注的新受试者时，这些嵌入会偏离图像嵌入流形。SPSC在训练端用物体掩码对比正则保留同一物体概念的语义邻域，在推理端用图像原型的主成分子空间和无标签目标脑电批次统计挑选语义候选。在THINGS-EEG十名受试者的留一受试者评估中，重建的CLIP得分从0.552升到0.713，Alex.5从0.612升到0.745。

跨受试者脑电到图像重建此前依赖源受试者学到的语义嵌入，遇到未标注的新受试者时，这些嵌入会偏离图像嵌入流形。SPSC在训练端用物体掩码对比正则保留同一物体概念的语义邻域，在推理端用图像原型的主成分子空间和无标签目标脑电批次统计挑选语义候选。在THINGS-EEG十名受试者的留一受试者评估中，重建的CLIP得分从0.552升到0.713，Alex.5从0.612升到0.745。

古微生物组数据稀缺、易污染，让语言模型直接规划分析时，它可能引用不存在的文件、套用格式不允许的操作，或回答数据无法支撑的问题。PaleoRigor把语言模型规划器限制在预定义本地模块内，运行前校验文件引用、格式与步骤依赖，并对越界请求给出具名理由码，同时保存计划、中间文件、校验和与决策记录。在预先注册的冻结留出评测中，它通过24次运行中的23次（95.8%），其中12次边界决策全部正确；同一模型去掉规划契约后通过19次。

古微生物组数据稀缺、易污染，让语言模型直接规划分析时，它可能引用不存在的文件、套用格式不允许的操作，或回答数据无法支撑的问题。PaleoRigor把语言模型规划器限制在预定义本地模块内，运行前校验文件引用、格式与步骤依赖，并对越界请求给出具名理由码，同时保存计划、中间文件、校验和与决策记录。在预先注册的冻结留出评测中，它通过24次运行中的23次（95.8%），其中12次边界决策全部正确；同一模型去掉规划契约后通过19次。

A-Alpha Bio 发起 Atlas 数据联盟，试图用共享实验数据而非共享模型来解决蛋白模型训练数据不足的问题。此前的数据共享多依赖联邦学习，只能汇集各公司已有数据，无法扩大总量。联盟由五家创始成员每季度各设计一个含一百万个蛋白-蛋白亲和力测量的数据块，全部在 AlphaSeq 平台上按统一条件生成，按非独占许可季度发布给所有成员。首个联盟聚焦 VHH 重链抗体可变域，其他骨架的联盟预计自 2027 年起启动。

A-Alpha Bio 发起 Atlas 数据联盟，试图用共享实验数据而非共享模型来解决蛋白模型训练数据不足的问题。此前的数据共享多依赖联邦学习，只能汇集各公司已有数据，无法扩大总量。联盟由五家创始成员每季度各设计一个含一百万个蛋白-蛋白亲和力测量的数据块，全部在 AlphaSeq 平台上按统一条件生成，按非独占许可季度发布给所有成员。首个联盟聚焦 VHH 重链抗体可变域，其他骨架的联盟预计自 2027 年起启动。

英伟达发布Cosmos3-H-Dreams，把交互式生成模拟从桌面缝合任务推进到临床手术场景。此前的Cosmos-H-Dreams在dVRK桌面缝合上从同步视频与机器人运动学学习视觉动态；新模型改用CMR Surgical Versius平台临床胆囊切除录像与运动学训练，以Cosmos 3为基础、经FlashDreams加速，在单块RTX PRO 6000 GPU上实时运行，并提供四步与两步去噪两个检查点。

英伟达发布Cosmos3-H-Dreams，把交互式生成模拟从桌面缝合任务推进到临床手术场景。此前的Cosmos-H-Dreams在dVRK桌面缝合上从同步视频与机器人运动学学习视觉动态；新模型改用CMR Surgical Versius平台临床胆囊切除录像与运动学训练，以Cosmos 3为基础、经FlashDreams加速，在单块RTX PRO 6000 GPU上实时运行，并提供四步与两步去噪两个检查点。

个体在知觉决策中的差异，可能只是少数共享计算成分的不同配比。研究用低秩神经网络直接从逐试次选择中同时学习共享成分与个体权重，在伯努利点击任务的首个数据集（155人）上，样本外预测选出六维个体差异表示：两维时间证据加权、两维选择—结果历史依赖，加上个体侧偏与信噪比；这一低维组织在102人的独立复现数据集中再次出现。

个体在知觉决策中的差异，可能只是少数共享计算成分的不同配比。研究用低秩神经网络直接从逐试次选择中同时学习共享成分与个体权重，在伯努利点击任务的首个数据集（155人）上，样本外预测选出六维个体差异表示：两维时间证据加权、两维选择—结果历史依赖，加上个体侧偏与信噪比；这一低维组织在102人的独立复现数据集中再次出现。

TRACE把纵向就诊记录映射为可解释的进展表型，让表型数量可以多于诊断类别。在ADNI队列的标签匹配设置下，它在当前、12个月和24个月三个预测时点上取得最高的纯度、NMI、ARI、轮廓系数以及准确率和宏F1；24个月时相对最强基线，纯度与轮廓系数分别高出3.1和5.8个百分点。放开表型数后，它从认知正常与轻度认知障碍主导的两组中分出一个新表型，其认知量表轨迹居中而海马体积轨迹与轻度认知障碍组重合。

TRACE把纵向就诊记录映射为可解释的进展表型，让表型数量可以多于诊断类别。在ADNI队列的标签匹配设置下，它在当前、12个月和24个月三个预测时点上取得最高的纯度、NMI、ARI、轮廓系数以及准确率和宏F1；24个月时相对最强基线，纯度与轮廓系数分别高出3.1和5.8个百分点。放开表型数后，它从认知正常与轻度认知障碍主导的两组中分出一个新表型，其认知量表轨迹居中而海马体积轨迹与轻度认知障碍组重合。

文字驱动的CAD生成长期以几何相似度或视觉一致性为优化目标，但外形正确并不等于结构可用。PhyCAD把可执行的CadQuery程序放进一条确定性的CAD–CAE验证流水线，按程序可执行、几何尺寸合规、有限元应力位移质量约束逐级判定，并用分层优势改造GRPO的训练信号。在留出评估集上，多个开源模型经监督微调后再做该强化学习，几何与物理约束同时满足的联合成功率从21.76%–37.36%升到39.49%–58.05%。

文字驱动的CAD生成长期以几何相似度或视觉一致性为优化目标，但外形正确并不等于结构可用。PhyCAD把可执行的CadQuery程序放进一条确定性的CAD–CAE验证流水线，按程序可执行、几何尺寸合规、有限元应力位移质量约束逐级判定，并用分层优势改造GRPO的训练信号。在留出评估集上，多个开源模型经监督微调后再做该强化学习，几何与物理约束同时满足的联合成功率从21.76%–37.36%升到39.49%–58.05%。

Navier发布桌面应用Prism，让AI智能体在同一环境里驱动CAD建模、网格划分、物理求解、后处理与报告撰写。此前硬件工程师要在CAD、网格器、求解器、后处理、Python或MATLAB与幻灯片之间手工搬运，一次设计研究常耗时数天，团队因此早早锁定方向、只测少量方案。Prism在本机运行十二类开源求解器并附带自研GPU有限元求解器Ferro，以无人机冷却模块走通从约束到工程报告的流程。

Navier发布桌面应用Prism，让AI智能体在同一环境里驱动CAD建模、网格划分、物理求解、后处理与报告撰写。此前硬件工程师要在CAD、网格器、求解器、后处理、Python或MATLAB与幻灯片之间手工搬运，一次设计研究常耗时数天，团队因此早早锁定方向、只测少量方案。Prism在本机运行十二类开源求解器并附带自研GPU有限元求解器Ferro，以无人机冷却模块走通从约束到工程报告的流程。

多项式混沌展开长期只给出全局误差指标，无法说明单次预测有多可靠；把 jackknife+ 共形预测的非一致性分数用辅助多项式混沌模型归一化后，预测区间宽度随输入的局部不确定性变化。对固定基、最小二乘拟合的多项式混沌，所有量可闭式求出，无需重新训练即可保留 jackknife+ 的有限样本覆盖保证；在已知异方差噪声的悬臂梁基准和蒸汽发生器堵塞仿真数据上，自适应区间达到目标覆盖率，并在高不确定性区域明显优于非自适应区间。

多项式混沌展开长期只给出全局误差指标，无法说明单次预测有多可靠；把 jackknife+ 共形预测的非一致性分数用辅助多项式混沌模型归一化后，预测区间宽度随输入的局部不确定性变化。对固定基、最小二乘拟合的多项式混沌，所有量可闭式求出，无需重新训练即可保留 jackknife+ 的有限样本覆盖保证；在已知异方差噪声的悬臂梁基准和蒸汽发生器堵塞仿真数据上，自适应区间达到目标覆盖率，并在高不确定性区域明显优于非自适应区间。

专利审查要求智能体在稀疏的现有技术中反复检索、核对证据并写出新颖性判断，而既有基准多停留在静态候选集上。PatEx-Gym把这一流程做成可运行的环境：PatEx-Bench提供1K个审查任务、超过100万件专利与5.2万篇科学论文的检索语料，以及支持迭代检索与审查意见生成的运行时。PASS利用文档访问记录作为隐式相关性信号合成搜索轨迹，据此微调的4B模型PatEx-Agent在实验中与规模大得多的通用智能体相比取得有竞争力的表现。

专利审查要求智能体在稀疏的现有技术中反复检索、核对证据并写出新颖性判断，而既有基准多停留在静态候选集上。PatEx-Gym把这一流程做成可运行的环境：PatEx-Bench提供1K个审查任务、超过100万件专利与5.2万篇科学论文的检索语料，以及支持迭代检索与审查意见生成的运行时。PASS利用文档访问记录作为隐式相关性信号合成搜索轨迹，据此微调的4B模型PatEx-Agent在实验中与规模大得多的通用智能体相比取得有竞争力的表现。

钢琴演奏MIDI转乐谱长期把音符当作唯一建模单位，而拍点可能落在没有音符起音的帧上，节拍信息因此难以进入记谱。DuET用音符编码器和帧级编码器分别处理音符与固定时间网格，以双向交叉注意力交换信息，并由解码器交替读取两路表示来预测时值、小节与谱表等记谱属性。在面向流行钢琴的Gangqinpu测试集上，其MUSTER平均误差由最强基线的6.56%降至3.64%；在古典钢琴ASAP上则由11.30%降至11.22%。

钢琴演奏MIDI转乐谱长期把音符当作唯一建模单位，而拍点可能落在没有音符起音的帧上，节拍信息因此难以进入记谱。DuET用音符编码器和帧级编码器分别处理音符与固定时间网格，以双向交叉注意力交换信息，并由解码器交替读取两路表示来预测时值、小节与谱表等记谱属性。在面向流行钢琴的Gangqinpu测试集上，其MUSTER平均误差由最强基线的6.56%降至3.64%；在古典钢琴ASAP上则由11.30%降至11.22%。

一个9B小语言模型在单张GPU上本地完成病例级与家系级变异解读，在327例已解决的单例视觉损伤病例中找回93%的专家报告致病变异，其中82%被判为致病或可能致病。

一个9B小语言模型在单张GPU上本地完成病例级与家系级变异解读，在327例已解决的单例视觉损伤病例中找回93%的专家报告致病变异，其中82%被判为致病或可能致病。

Preferred Networks 将原本只服务自家 PLaMo Translate 服务的翻译专用大模型 PLaMo 3 Translate 以开放权重形式发布到 Hugging Face，提供 0.8B、2B、8B、31B 四种规模，可在智能手机、笔记本或企业内部服务器上完全离线运行，覆盖含英语和日语在内的 53 种语言。按 PLaMo 社区许可，最近财年营收不超过 10 亿日元的个人与企业可免费下载并用于商业或非商业用途，超过该门槛则需与 PFN 签订商业许可。PFN 称其对比评估中最小 0.8B 版本优于 Google 的 TranslateGemma 和腾讯的 Hy-MT2 等同类翻译专用模型。

Preferred Networks 将原本只服务自家 PLaMo Translate 服务的翻译专用大模型 PLaMo 3 Translate 以开放权重形式发布到 Hugging Face，提供 0.8B、2B、8B、31B 四种规模，可在智能手机、笔记本或企业内部服务器上完全离线运行，覆盖含英语和日语在内的 53 种语言。按 PLaMo 社区许可，最近财年营收不超过 10 亿日元的个人与企业可免费下载并用于商业或非商业用途，超过该门槛则需与 PFN 签订商业许可。PFN 称其对比评估中最小 0.8B 版本优于 Google 的 TranslateGemma 和腾讯的 Hy-MT2 等同类翻译专用模型。

阿斯利康与 AI 药物发现公司 insitro 签署新的战略合作与许可协议，针对代谢功能障碍相关脂肪性肝炎（MASH）和心肌病寻找新靶点并推进候选药物。insitro 将用其 Virtual Human AI 平台整合大规模人类与细胞数据，识别疾病的因果生物学，并把阿斯利康提名的靶点从发现阶段推进到开发候选。insitro 获得 4000 万美元首付款，并有资格获得最高约 14.6 亿美元的开发与商业里程碑付款及个位数比例的销售分成，阿斯利康取得所选项目的全球独家权利。

阿斯利康与 AI 药物发现公司 insitro 签署新的战略合作与许可协议，针对代谢功能障碍相关脂肪性肝炎（MASH）和心肌病寻找新靶点并推进候选药物。insitro 将用其 Virtual Human AI 平台整合大规模人类与细胞数据，识别疾病的因果生物学，并把阿斯利康提名的靶点从发现阶段推进到开发候选。insitro 获得 4000 万美元首付款，并有资格获得最高约 14.6 亿美元的开发与商业里程碑付款及个位数比例的销售分成，阿斯利康取得所选项目的全球独家权利。

长读测序的DNA常带移码错误，直接比对到蛋白质家族谱模型一直要么先翻译六个读框、要么先纠错，两者都会损失灵敏度。DUMMEST沿用DUMMER不带长度偏置的比对思路，只在匹配、插入、删除状态上增加发射核苷酸的插入缺失状态，用核苷酸与密码子的组合近似移码，并以GPU加速的MMseqs2做多级预过滤。在模拟长读上它检出的比对更多、平均比对更长，与BATH灵敏度相当、在模拟测序伪影下特异性更好，依数据集快2–12倍。

长读测序的DNA常带移码错误，直接比对到蛋白质家族谱模型一直要么先翻译六个读框、要么先纠错，两者都会损失灵敏度。DUMMEST沿用DUMMER不带长度偏置的比对思路，只在匹配、插入、删除状态上增加发射核苷酸的插入缺失状态，用核苷酸与密码子的组合近似移码，并以GPU加速的MMseqs2做多级预过滤。在模拟长读上它检出的比对更多、平均比对更长，与BATH灵敏度相当、在模拟测序伪影下特异性更好，依数据集快2–12倍。

dsm-firmenich 与 Boltz PBC 宣布合作，把 Boltz 最新的专有基础模型用于其配料发现流程，开发下一代香气与风味分子。双方计划把前沿模型与 dsm-firmenich 的味觉和嗅觉受体数据结合，产出一组捕捉数十年感官科学经验的专属模型，用于预测和设计分子结构、学习分子与受体蛋白的相互作用。dsm-firmenich 团队同时获得 Boltz 平台完整访问权，包括 Boltz Lab 界面、Boltz API，以及与 LLM 智能体的新集成，可用自然语言编排设计与预测工作流。

dsm-firmenich 与 Boltz PBC 宣布合作，把 Boltz 最新的专有基础模型用于其配料发现流程，开发下一代香气与风味分子。双方计划把前沿模型与 dsm-firmenich 的味觉和嗅觉受体数据结合，产出一组捕捉数十年感官科学经验的专属模型，用于预测和设计分子结构、学习分子与受体蛋白的相互作用。dsm-firmenich 团队同时获得 Boltz 平台完整访问权，包括 Boltz Lab 界面、Boltz API，以及与 LLM 智能体的新集成，可用自然语言编排设计与预测工作流。

聚合物性质预测长期依赖按化学规则切分的分子片段，遇到陌生结构时切分方式未必合适，片段大小也难以连续调节。一种以几何邻近为准的切分方法把分子片段化写成半径约束下的中心选取问题，片段数目由给定半径决定而非事先固定，改变半径即可得到不同尺度的片段。把这种多尺度片段接入结合p-SMILES与三维构象的多模态模型后，在聚合物基准数据集上，若干性质的预测误差相对基线下降约5–10%，但三维模态的贡献随性质而异。

聚合物性质预测长期依赖按化学规则切分的分子片段，遇到陌生结构时切分方式未必合适，片段大小也难以连续调节。一种以几何邻近为准的切分方法把分子片段化写成半径约束下的中心选取问题，片段数目由给定半径决定而非事先固定，改变半径即可得到不同尺度的片段。把这种多尺度片段接入结合p-SMILES与三维构象的多模态模型后，在聚合物基准数据集上，若干性质的预测误差相对基线下降约5–10%，但三维模态的贡献随性质而异。

视觉着陆中，跑道角点常在近距阶段被视场裁掉，使基于点的位姿求解失去几何约束。研究把目标检测从关键点扩展到“关键线”：每个目标实例预测一组固定、语义有序的无限直线，并在YOLO上以连续Hesse法式参数化、用Object Keyline Similarity（OKLS）同时充当评价指标、目标分配信号和回归损失。在跑道数据上，连续Hesse法式配合OKLS取得四种参数化中最高的关键线检测精度，融合头加入关键线后关键点精度未下降、延迟无明显增加。

视觉着陆中，跑道角点常在近距阶段被视场裁掉，使基于点的位姿求解失去几何约束。研究把目标检测从关键点扩展到“关键线”：每个目标实例预测一组固定、语义有序的无限直线，并在YOLO上以连续Hesse法式参数化、用Object Keyline Similarity（OKLS）同时充当评价指标、目标分配信号和回归损失。在跑道数据上，连续Hesse法式配合OKLS取得四种参数化中最高的关键线检测精度，融合头加入关键线后关键点精度未下降、延迟无明显增加。

ScienceRSI把科学能力拆成专业化、验证、迁移与复用四步，让专家模型只在同一项科学要求上确实更优时才贡献反馈。在4B→4B设置中，科学推理平均分达到55.0%，比GRPO高2.0个百分点；用Qwen3-8B专家向Qwen3.5-27B目标迁移时，七项基准等权平均分从87.3%升至94.0%。去掉专家贡献验证后，同一4B学生的科学推理平均分从55.0%降至50.6%。

ScienceRSI把科学能力拆成专业化、验证、迁移与复用四步，让专家模型只在同一项科学要求上确实更优时才贡献反馈。在4B→4B设置中，科学推理平均分达到55.0%，比GRPO高2.0个百分点；用Qwen3-8B专家向Qwen3.5-27B目标迁移时，七项基准等权平均分从87.3%升至94.0%。去掉专家贡献验证后，同一4B学生的科学推理平均分从55.0%降至50.6%。

实验室小鼠的年龄可以从一张普通照片中读出，但读出的主要是相对年龄而非绝对年龄。研究汇集七个设施、1292只小鼠的2846张照片，用未经小鼠数据训练的DINOv2视觉特征加岭回归预测年龄；在未见过的设施上绝对误差中位数达138天，而同一场次内配对比较时较老个体被排得更老的比率为65%，年龄差超过500天时升至95%以上。预测年龄高于实际年龄的小鼠更虚弱，每100天照片年龄差对应虚弱度增加0.12个标准差、死亡风险升高14%。

实验室小鼠的年龄可以从一张普通照片中读出，但读出的主要是相对年龄而非绝对年龄。研究汇集七个设施、1292只小鼠的2846张照片，用未经小鼠数据训练的DINOv2视觉特征加岭回归预测年龄；在未见过的设施上绝对误差中位数达138天，而同一场次内配对比较时较老个体被排得更老的比率为65%，年龄差超过500天时升至95%以上。预测年龄高于实际年龄的小鼠更虚弱，每100天照片年龄差对应虚弱度增加0.12个标准差、死亡风险升高14%。

多模态情绪提示驱动的语音合成此前把跨说话人的情绪共性与个人表达混在同一个情绪条件里，容易在增强情绪时损伤语言内容。HiP-ETTS把提示中的情绪信息拆成情绪共享因子与互补情绪因子，再用分层情绪先验锚定语言结构、由自适应投影与流匹配细化情绪细节。在音频、文本、面部图像三类提示下，它的词错率均低于或接近此前方法，情绪一致性指标VAD-CCC与Emo-SIM在各类提示中最高，音频提示下分别为0.760和0.768。

多模态情绪提示驱动的语音合成此前把跨说话人的情绪共性与个人表达混在同一个情绪条件里，容易在增强情绪时损伤语言内容。HiP-ETTS把提示中的情绪信息拆成情绪共享因子与互补情绪因子，再用分层情绪先验锚定语言结构、由自适应投影与流匹配细化情绪细节。在音频、文本、面部图像三类提示下，它的词错率均低于或接近此前方法，情绪一致性指标VAD-CCC与Emo-SIM在各类提示中最高，音频提示下分别为0.760和0.768。

Intology 把自主发现系统 Locus 从语言模型后训练扩展到分子发现，在分子性质预测、小分子效价预测和抗体设计三类任务上，与 BioHub、Boltz 的既有最优方法和 Codex、Claude Code 等前沿大模型智能体在同等算力下比较。在六个靶点的 Boltz-2 适配任务中，Locus 的平均 Spearman 相关系数为 0.622，高于 Boltz-2.1 接口的 0.225、Claude Code 的 0.450 和 Codex 的 0.569。抗体设计上，Locus 用 1.5–2.8 倍更少的生成候选达到相当的结合评分，但评分来自 OpenDDE 的 ipSAE 代理指标，仍需湿实验验证。

Intology 把自主发现系统 Locus 从语言模型后训练扩展到分子发现，在分子性质预测、小分子效价预测和抗体设计三类任务上，与 BioHub、Boltz 的既有最优方法和 Codex、Claude Code 等前沿大模型智能体在同等算力下比较。在六个靶点的 Boltz-2 适配任务中，Locus 的平均 Spearman 相关系数为 0.622，高于 Boltz-2.1 接口的 0.225、Claude Code 的 0.450 和 Codex 的 0.569。抗体设计上，Locus 用 1.5–2.8 倍更少的生成候选达到相当的结合评分，但评分来自 OpenDDE 的 ipSAE 代理指标，仍需湿实验验证。

单张高频条纹图重建三维面形，难点在于同时保住跨视场的空间一致性和局部几何细节：卷积网络的长程建模受限，窗口式Transformer的全局交互只能随深度逐步建立。混合Mamba-Transformer网络在Swin式U形架构的中等分辨率编码阶段引入视觉状态空间模块，并用轴向-膨胀视觉状态空间块在选择性扫描前增强方向性条纹特征。在公开条纹投影数据集上，该网络仅用一张变形条纹图取得0.548毫米的RMSE和0.9985的SSIM，RMSE相对UHRNet和HiDNet分别降低65.2%和59.6%。

单张高频条纹图重建三维面形，难点在于同时保住跨视场的空间一致性和局部几何细节：卷积网络的长程建模受限，窗口式Transformer的全局交互只能随深度逐步建立。混合Mamba-Transformer网络在Swin式U形架构的中等分辨率编码阶段引入视觉状态空间模块，并用轴向-膨胀视觉状态空间块在选择性扫描前增强方向性条纹特征。在公开条纹投影数据集上，该网络仅用一张变形条纹图取得0.548毫米的RMSE和0.9985的SSIM，RMSE相对UHRNet和HiDNet分别降低65.2%和59.6%。

Asimov与韩国LG Chem签署授权协议，LG Chem将引入Asimov的CHO Edge System，用于其生物药细胞系开发活动。该体系包含近期公布的Chrysalis转座酶与AI驱动的遗传设计软件Kernel。协议把AI辅助的遗传设计与细胞系构建工具交给一家已有生命科学业务的化学企业使用，但双方未披露交易金额、排他性或具体开发阶段。

Asimov与韩国LG Chem签署授权协议，LG Chem将引入Asimov的CHO Edge System，用于其生物药细胞系开发活动。该体系包含近期公布的Chrysalis转座酶与AI驱动的遗传设计软件Kernel。协议把AI辅助的遗传设计与细胞系构建工具交给一家已有生命科学业务的化学企业使用，但双方未披露交易金额、排他性或具体开发阶段。

英矽智能宣布，其用生成式化学平台Chemistry42设计并优化的泛TEAD抑制剂ISM6331，首个人体多中心一期研究摘要已刊于2026年ESMO官网，详细数据将于10月25日在马德里快速口头报告专场公布。该研究在间皮瘤及其他晚期实体瘤患者中评估安全性、耐受性、药代动力学和初步抗肿瘤活性，并考察剂量限制性毒性与二期推荐剂量。目前公开的是摘要与会议安排，疗效结论仍待临床研究回答。

英矽智能宣布，其用生成式化学平台Chemistry42设计并优化的泛TEAD抑制剂ISM6331，首个人体多中心一期研究摘要已刊于2026年ESMO官网，详细数据将于10月25日在马德里快速口头报告专场公布。该研究在间皮瘤及其他晚期实体瘤患者中评估安全性、耐受性、药代动力学和初步抗肿瘤活性，并考察剂量限制性毒性与二期推荐剂量。目前公开的是摘要与会议安排，疗效结论仍待临床研究回答。

一项实证研究检验大语言模型能否不经梯度训练、只靠读前向输出直接写出小型评分网络的权重，用来加速列生成与分支定界这类精确算法。在独立集合成算例上，写出的分支规则用时为SCIP默认规则的0.37倍，并追平或超过同特征下模仿强分支训练的网络；但在亚特兰大公交司机排班的真实数据模型上，0.63倍的时间增益被SCIP自带的纯伪代价规则以0.99的比值完全复现。

一项实证研究检验大语言模型能否不经梯度训练、只靠读前向输出直接写出小型评分网络的权重，用来加速列生成与分支定界这类精确算法。在独立集合成算例上，写出的分支规则用时为SCIP默认规则的0.37倍，并追平或超过同特征下模仿强分支训练的网络；但在亚特兰大公交司机排班的真实数据模型上，0.63倍的时间增益被SCIP自带的纯伪代价规则以0.99的比值完全复现。

Anthropic 为 Claude Code 使用的 Opus 5.5 下调了 API 列表价：输入与输出 token 比 Opus 5 便宜 20%，缓存读取便宜 60%，读取价从输入价的十分之一降到二十分之一。一次任务的花费由轮次、缓存命中、输出 token 和模型价格共同决定，因为每一轮都要重发此前的对话。在 token 数相同的示例会话上，仅价格变化就让账单从 3.50 美元降到 2.40 美元，约少 31%；官方估计典型工作负载可省 40%，但该数字还假设模型在默认中等强度下每任务用更少 token。

Anthropic 为 Claude Code 使用的 Opus 5.5 下调了 API 列表价：输入与输出 token 比 Opus 5 便宜 20%，缓存读取便宜 60%，读取价从输入价的十分之一降到二十分之一。一次任务的花费由轮次、缓存命中、输出 token 和模型价格共同决定，因为每一轮都要重发此前的对话。在 token 数相同的示例会话上，仅价格变化就让账单从 3.50 美元降到 2.40 美元，约少 31%；官方估计典型工作负载可省 40%，但该数字还假设模型在默认中等强度下每任务用更少 token。

脑电基础模型REVE不再需要全量微调或整层池化特征才能做情绪识别。此前这类模型在跨被试任务上尚未稳定超过专用架构，且表征计算与存储代价高。该做法把第一层单个注意力头的注意力权重按试次聚合成通道间加权连接矩阵，再用无标签的对称性打分挑出信息量最大的头，在SEED-IV上以经典分类器取得42.13的平衡准确率，计算量比全层注意力池化少约176倍。

脑电基础模型REVE不再需要全量微调或整层池化特征才能做情绪识别。此前这类模型在跨被试任务上尚未稳定超过专用架构，且表征计算与存储代价高。该做法把第一层单个注意力头的注意力权重按试次聚合成通道间加权连接矩阵，再用无标签的对称性打分挑出信息量最大的头，在SEED-IV上以经典分类器取得42.13的平衡准确率，计算量比全层注意力池化少约176倍。

阿布扎比技术创新研究院发布 1.6B 参数的语音识别模型 Falcon-ASR，主打阿拉伯语并特别覆盖阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六套阿拉伯语测试集上，其平均词错率为 20.92%，低于所引排行榜快照中最佳已公布结果 23.17%；在内部阿联酋方言评测中，其词错率 22.73%、字错率 10.19%，为所比较系统里最低。模型还输出词级时间戳，把每个转写词对回音频中的位置。

阿布扎比技术创新研究院发布 1.6B 参数的语音识别模型 Falcon-ASR，主打阿拉伯语并特别覆盖阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六套阿拉伯语测试集上，其平均词错率为 20.92%，低于所引排行榜快照中最佳已公布结果 23.17%；在内部阿联酋方言评测中，其词错率 22.73%、字错率 10.19%，为所比较系统里最低。模型还输出词级时间戳，把每个转写词对回音频中的位置。

微波消融规划需要三维温度场，但逐点求解电磁—热耦合方程太慢。GAPPTANet把解析比吸收率场作为显式热源先验，用几何感知适配器修正消融针引起的近场近似误差，再由门控双分支解码器重建全局热扩散与局部高温边界。在27,050例高保真仿真上，其全场均方根误差为0.6001摄氏度，单样本GPU前向耗时1.58毫秒，并在同一测试设置下优于卷积基线和三种神经算子架构。

微波消融规划需要三维温度场，但逐点求解电磁—热耦合方程太慢。GAPPTANet把解析比吸收率场作为显式热源先验，用几何感知适配器修正消融针引起的近场近似误差，再由门控双分支解码器重建全局热扩散与局部高温边界。在27,050例高保真仿真上，其全场均方根误差为0.6001摄氏度，单样本GPU前向耗时1.58毫秒，并在同一测试设置下优于卷积基线和三种神经算子架构。

Stablyai 发布开源应用 Orca，让 Claude Code、Codex 等命令行编码智能体并行运行，每个智能体占用独立的 git 工作树。它把聊天与终端、差异查看、浏览器、命令行工具和手机端配对放在同一个应用里，并支持把文件或图片直接拖入智能体提示、按计划运行提示词，以及在缺少命令行或 API 时让智能体操作桌面应用。按发布说明，任何能在终端里运行的命令行智能体都能接入 Orca。

Stablyai 发布开源应用 Orca，让 Claude Code、Codex 等命令行编码智能体并行运行，每个智能体占用独立的 git 工作树。它把聊天与终端、差异查看、浏览器、命令行工具和手机端配对放在同一个应用里，并支持把文件或图片直接拖入智能体提示、按计划运行提示词，以及在缺少命令行或 API 时让智能体操作桌面应用。按发布说明，任何能在终端里运行的命令行智能体都能接入 Orca。

跨模态医学图像翻译长期受解剖不一致的合成结果困扰，标准生成对抗网络同时更新生成器与判别器，容易让共享表示被两股相反梯度拉扯。StaX-Net把生成器与判别器的多尺度计算块交错共享，让判别器先更新、生成器更新时冻结共享块，并用只在训练期可见的目标MRI引导特征变换。在SynthRAD 2025的腹部/盆腔、头颈和胸部三个子集上，它与五个基线对比，腹部/盆腔的VGG感知距离为642.1，低于Pix2Pix的991.2和UNet-AE的1687.9。

跨模态医学图像翻译长期受解剖不一致的合成结果困扰，标准生成对抗网络同时更新生成器与判别器，容易让共享表示被两股相反梯度拉扯。StaX-Net把生成器与判别器的多尺度计算块交错共享，让判别器先更新、生成器更新时冻结共享块，并用只在训练期可见的目标MRI引导特征变换。在SynthRAD 2025的腹部/盆腔、头颈和胸部三个子集上，它与五个基线对比，腹部/盆腔的VGG感知距离为642.1，低于Pix2Pix的991.2和UNet-AE的1687.9。

可穿戴惯性传感器换到另一个身体部位后，信号分布随之改变，而目标位置的测量在训练和部署时往往拿不到。DiffusionRef-IMU 先用确定性 Direct 网络给出目标位置估计，再让扩散模型只修正这份估计与真实目标之间的残差。在五个受试者不重叠、活动与位置组合被留出的折上，16 步 DDIM 的平均 nRMSE 为 0.087538，低于 Direct 的 0.090262、同容量确定性残差模型的 0.088847 和八步 CompFlow 的 0.088417，并在五折中全部占优。

可穿戴惯性传感器换到另一个身体部位后，信号分布随之改变，而目标位置的测量在训练和部署时往往拿不到。DiffusionRef-IMU 先用确定性 Direct 网络给出目标位置估计，再让扩散模型只修正这份估计与真实目标之间的残差。在五个受试者不重叠、活动与位置组合被留出的折上，16 步 DDIM 的平均 nRMSE 为 0.087538，低于 Direct 的 0.090262、同容量确定性残差模型的 0.088847 和八步 CompFlow 的 0.088417，并在五折中全部占优。

anomalyco 发布开源 AI 编码智能体 OpenCode，可通过安装脚本、npm、bun、pnpm、yarn、Homebrew、Arch Linux 的 pacman 与 paru、mise、Nix 获取，另有桌面应用版本。它内置两个可用 Tab 键切换的智能体：默认的 build 拥有完整开发权限，plan 只读、默认拒绝文件编辑并在运行 bash 命令前请求许可，适合探索陌生代码库或规划改动。另有一个通用子智能体，可在消息中用 @general 调用，用于复杂搜索和多步任务。

anomalyco 发布开源 AI 编码智能体 OpenCode，可通过安装脚本、npm、bun、pnpm、yarn、Homebrew、Arch Linux 的 pacman 与 paru、mise、Nix 获取，另有桌面应用版本。它内置两个可用 Tab 键切换的智能体：默认的 build 拥有完整开发权限，plan 只读、默认拒绝文件编辑并在运行 bash 命令前请求许可，适合探索陌生代码库或规划改动。另有一个通用子智能体，可在消息中用 @general 调用，用于复杂搜索和多步任务。

AIPOCH 的本地优先科研工作台 Open-Science 发布 v1.2.0，会话内可把经审批的作业提交到 Kubernetes、Hugging Face Jobs、Modal 和 Ray，此前远程计算只覆盖 SSH 与 Slurm。每次外部提交会冻结输入并请求确认目标、命令、资源和输出，恢复记录让结果收集在重启后继续。内置 Open-Science Agent 成为新安装的默认智能体，导入的 .science 包或回放步骤可挂接子讨论而不改动导入本身。

AIPOCH 的本地优先科研工作台 Open-Science 发布 v1.2.0，会话内可把经审批的作业提交到 Kubernetes、Hugging Face Jobs、Modal 和 Ray，此前远程计算只覆盖 SSH 与 Slurm。每次外部提交会冻结输入并请求确认目标、命令、资源和输出，恢复记录让结果收集在重启后继续。内置 Open-Science Agent 成为新安装的默认智能体，导入的 .science 包或回放步骤可挂接子讨论而不改动导入本身。