12:05arXiv cs.AI@Zidu Liu, Florian Marquardt研究人员提出结构化概念演化(SCE)框架,将大语言模型与代数突变语法结合,自动探索提升积码家族(一类CSS qLDPC码)。SCE通过层级突变修改群代数、原图几何或基空间,无需从零设计。使用轻量模型GPT-5.4-mini和GPT-5.4-nano运行SCE,发现了从阿贝尔群到非阿贝尔群的多种竞争码家族,性能超越标准bivariate-bicycle码。所有结果在码容量退极化噪声下经BP+OSD解码验证。论文GPT-5.4-miniGPT-5.4-nano结构化概念演化量子LDPC码AI for Science1 个信源在谈推荐理由:这篇论文用GPT-5.4-mini和GPT-5.4-nano两种轻量模型就找到了新的量子LDPC码,方法很巧妙。原文
11:32arXiv cs.LG@Siyu Lou, Hao Xu, Wenguan Wang, Lu Lu, Hao Sun, Yang Liu, Linfeng Zhang, Dongxiao Zhang, Yuntian Chen精选这篇综述论文提出了一个面向问题的视角来理解数据驱动微分方程发现领域。作者首先引入了一个二维相图,根据结构复杂度和系数复杂度对发现问题进行组织,展示了该领域如何从发现稀疏方程发展到更复杂的物理定律。然后提出了表示-评估-优化(REO)框架作为发现过程的基本抽象,将讨论从具体算法转向决定可发现性的基本原则。论文还讨论了这些视角在物理学及相关科学中的应用,并指出下一个挑战不仅是恢复方程,而是利用它们修正现有理论、提炼机制和形成新的科学概念。论文微分方程发现物理建模AI for Science综述REO框架推荐理由:这篇综述为做物理建模或AI for Science的研究者提供了一个清晰的领域地图和思考框架,看完能快速理解不同方法适合解决什么问题,建议点开看看。原文
08:00Thomas Wolf@Thom_Wolf精选Terminal-Bench 是一个评估 AI 模型在计算机上使用工具(如命令行)达成目标能力的基准。现在它扩展到了科学领域,推出 T-Bench Science,专门评估 AI 在真实科研工作流中的表现。该基准面向生命科学、物理、地球科学、数学等领域的科学家,并开放任务贡献至 2026 年 8 月。贡献的科研工作流越多样,越能推动下一代 AI 模型更好地辅助日常研究工作。这不是训练数据集,而是用于评估前沿模型性能的基准。Anthropic、OpenAI 和 Google DeepMind 已使用 Terminal-Bench 评估 AI 编程能力,现在科学领域也加入其中。AI产品基准测试AI for ScienceTerminal-Bench科研工作流AI 代理10 个信源在谈推荐理由:做科研的 AI 用户终于有了专门评估 AI 辅助科研能力的基准——T-Bench Science 直接面向真实工作流,科学家可以贡献自己的流程来推动模型进步,值得关注和参与。原文
02:07Google AI@GoogleAI精选Google宣布构建Gemini for Science,面向科研社区。该项目与超过100个机构合作,测试者从博士生到诺贝尔奖得主。目标是确保技术足够严谨,能解决真实世界的科学问题。更多细节见官方博客。AI产品GeminiGoogle科学AI for Science合作推荐理由:给科学家用的Gemini来了原文
22:24Y Combinator@ycombinatorPerfectBit 是一家初创公司,专注于生成高质量的训练数据,其核心方法是通过物理模拟器、科学数据库和形式化证明系统来验证数据的正确性,确保数据“天生正确”。这种数据生成方式适用于大语言模型、机器人、AI for Science 等领域。该公司由 Y Combinator 支持,并已正式发布。其方法解决了传统训练数据中常见的不一致和错误问题,对需要高精度数据的 AI 应用具有重要意义。AI产品训练数据数据验证物理模拟器AI for ScienceY Combinator推荐理由:做 AI 训练数据或科学计算的团队,终于有了一个能保证数据正确性的方案——PerfectBit 用物理模拟器验证数据,比人工标注靠谱太多,做机器人或科学 AI 的开发者值得关注。原文