语言模型推理折叠蛋白质?把3D结构塞进思维链,超越AlphaFold3、IsoDDE与Claude Opus
语言模型推理折叠蛋白质?把3D结构塞进思维链,超越AlphaFold3、IsoDDE与Claude Opus过去两年,大模型的进步集中在长程推理,模型通过长思维链解决诸如数学与复杂代码的高难度问题。这种能力正在扩展到生命科学领域。Anthropic 公布了 Claude 的首批药物研发合作成果;另一组科研团队借助 Claude 自主设计出靶向食物过敏的双表位抗 IgE 抗体。
搜索
过去两年,大模型的进步集中在长程推理,模型通过长思维链解决诸如数学与复杂代码的高难度问题。这种能力正在扩展到生命科学领域。Anthropic 公布了 Claude 的首批药物研发合作成果;另一组科研团队借助 Claude 自主设计出靶向食物过敏的双表位抗 IgE 抗体。
大语言模型生成文本,并不只有“从左往右单向蹦字”这一条路。
On-policy distillation(OPD)的做法很简单:先让学生自己生成回答,再由教师逐 token 提供反馈,指导学生更新。这样教师就能直接针对学生实际生成的内容进行指导,而不必依赖预先准备好的答案。问题在于,每一轮训练都需要学生生成完整的回答,之后教师还要对每个位置进行评估。随着回答变长,训练成本也会越来越大。
Qwen3.8-Flash-Next 有 48 层。处理一段输入时,SEED 让除最后一个以外的 token 只运行前 31 层,再由轻量的记忆写入组件,为后续 17 层生成 KV Cache 和循环状态。到了生成阶段,每个 token 仍然运行完整的 48 层。
编程智能体已经能在数字世界完成复杂任务。
在13类复杂的算法任务、26次独立运行中,一个全新的神经网络在隐藏测试集上全部达到了100%的准确率。
花了约 200 亿的 Opus 5.5 token,价值约五千美金,打造了一个 vibe coding 的(可能的)必备神器!
原生支持实时交互。
家庭、实验室与工厂里的许多真实任务,都需要一边行走一边操作。
此次提出的 ConvexLLM,通过创新的 C-Gate 架构,将语音信息映射至大语言模型原有文本词向量的凸包中,使模型能够充分发挥已有的知识储备与推理能力。在 VoiceBench 等多项基准测试中,ConvexLLM 取得了同量级开源模型中的领先表现,为语音与语言的统一建模提供了新的技术路径。
创造一个世界不难,难的是让这个世界「听话」。
开发一个新应用时,能不能直接用上 Agent,让它读取业务状态、调用工具,甚至和其他 Agent 一起完成任务?
继 Coding Agent 之后,Muse、Grok Bot 等 Personal Agent 产品也快速成熟。不少团队尝试把它们引入组织:要么给每位成员部署一套,要么把同一个 Agent 接进部门群聊。但单人使用表现稳定的 Agent,一旦放到多人协同场景总是表现得非常不及预期。
大家好,我是被Claude折磨久矣的袋鼠帝。 前两天我在X上刷到个巨魔幻的事情,看完直接给我愣住了。
一道好问题,可能比一千道普通问题更有价值。
现如今,搜索、推荐已经成了很多互联网产品的基础功能。内容产品需要“搜一搜”和“猜你喜欢”,电商需要相似商品,社区需要找到兴趣接近的人。即使是内部知识库,也经常需要同时解决关键词查找和语义查找。
浙江大学与宇树科技具身智能联合实验室等团队从海量互联网人类视频中构建并开源了预训练数据集 Movens-5M,收录 500 万条经仿真执行验证的机器人动作,总时长超过 1 万小时。
想象一下,你在现实中拿起一瓶水,递向屏幕。下一秒,屏幕里的虚拟人物竟然伸出手,接过了这瓶水。
如今,百万 token 上下文已经从卖点变成了标配。4 月,DeepSeek-V4 把 1M 上下文定为所有官方服务的默认规格;8 月,智谱发布的 GLM-5.3-Flash 同样支持 1M 上下文,并首次在 GLM 系列中引入稀疏注意力与线性注意力的混合架构。这些模型背后有一个共同的选择:让每个 query 不再看遍所有历史 token,只挑出少数最相关的去「看」。
大模型智能体已经能够检索文献、调用模拟软件,甚至与自动化实验室协同工作。但要让它们独立完成一项完整的材料研究,仍然面临挑战:
给“机器人战场”建立新坐标。
能搜索资料、运行代码,还能完成多步科学研究任务——训练这样的智能体,究竟需要多少道工序?
给智能体造训练环境,一定要先从数据库开始吗?现有的环境合成方法通常以数据为中心,先生成数据库和业务场景,再据此构造工具与任务。但沿着这条路线,工具接口和参数逻辑可能偏离真实定义,工具组合也可能缺少执行依据,任务往往局限于单个环境。
近年来,多模态基础模型凭借规模化带来的泛化能力,越来越多地被用作机器人的「大脑」,负责任务规划和动作决策。
让 AI 成为 AI 研发的助手,书生-S2.1 Flash 正在展现 AI4AI 的潜力。近日,这款科学多模态大模型正式发布并开源,在机器学习工程基准中取得 90.3 分,展现出 AI 参与机器学习研发任务的能力。
你要说上周用AI来做东西,最火的玩法是啥,那必然逃不过一个东西。
强化学习环境(RL Envs)正在成为一门新生意。
《季载录·秋丨全球AI应用行业发展报告丨Xsignal》基于2026年第三季度数据指出,全球AI应用正从技术奇观转向场景基建,豆包、千问、ChatGPT等依托生态流量领跑,WorkBuddy、商汤小浣熊在Web生产力场景增长突出,垂类及情绪陪伴应用则在App端形成机会。
11 月 11 日,AI Engineer Code Summit(AIE CODE 2026)第二天,Google DeepMind 的技术员工(MTS)Philipp Schmid 上台,讲的不是新模型,而是他自己的一个习惯:大约每半年,他把自己的编程 agent 从零重写一遍,每次都问同一个问题:这套东西里,模型现在还需要多少?
Kimi Delta Attention(KDA)、Gated DeltaNet(GDN)、Mamba-2 等线性注意力与状态空间层,正在成为开源大模型的常见组件。Kimi K3.1 Pro、GLM-5.3-Flash、Qwen3.8-Flash-Next、Nemotron 3 Super 都采用了「全注意力 + 线性层」的混合架构,以换取更快的解码和更小的 KV Cache。