科学发现

推荐理由：Eureka模型发布了，能做科学发现任务，压缩输入还少重复计算，比以前方法强。

推荐理由：这篇论文给科学问题生成系统立了个可证伪的考试：用未来文献打分。证据结构优先的生成器比纯 LLM 提示更靠谱，还发现 LLM 评委互相打分虚高，值得做科研工具的人看看。

推荐理由：Jeff Dean这帮老搭档出来创业了，新公司要做自动化科研，用AI加速科学发现。

推荐理由：Jeff Dean从谷歌出来了，带着一批高管合伙创业，搞AI加速科学发现，这事值得关注。

推荐理由：MOT-SR把工具和大模型结合起来找方程，40个任务上又快又准，还能处理引力波轨道建模，挺实用。

推荐理由：MIT和哈佛发了个评测，把前沿LLM丢进真实科研流程，结果它们连假设都提不好。

推荐理由：这是PDE发现评估的第一篇系统综述，适合ML和物理科学交叉领域的研究者。它帮你理清预测精度与物理一致性之间的权衡，避免用单一指标误导结论。

推荐理由：腾讯混元搞了个新智能体 Hyra，能自己改自己，做 3D 模型比 Claude Code 效果还好，值得看看

推荐理由：Google DeepMind 把 AI 做科研的卡点讲透了——验证环节不够快，还给了四个方向，搞科研和投资的都该看看。

推荐理由：DiscoPER能自己挖掘数据规律，在生态基准上检出率接近90%，比传统因果方法好用多了。

推荐理由：AI 与科学交叉领域的从业者值得关注——Mark Chen 点出了当前 AI 应用在科研中的关键误区：不能只追求产出而忽视科学家的创造力。做 AI for Science 的团队可以反思自己的方法论。

推荐理由：这篇论文给AI科学发现领域划出了真正的瓶颈——不是搜索或执行，而是模型形成能力。做AI for Science的研究者、科学哲学爱好者、以及关心AI能否真正创新的开发者，都值得一读。

推荐理由：做科学 AI 智能体的开发者可以直接用上这个开源工具包，提升 token 效率和科学推理能力，值得一试。

推荐理由：个人研究者终于能直接使用 DeepMind 的 AI 科学助手生成假设，做科研的可以试试这个工具来加速发现过程。

推荐理由：Sutton戳中了生成式AI的致命短板——没有自我评估能力，做科研的团队和AI开发者值得深思：你的模型真的能推动科学发现吗？

推荐理由：科研人员关注：AI 正在改变研究方式，减少繁琐工作，让你更专注于创新。建议点开了解未来科研工具的新方向。

推荐理由：陶哲轩的观点直击科研痛点——AI 降低了试错成本，做基础研究或探索性项目的学者值得听听这位顶级数学家的判断。

推荐理由：科研人员终于有了AI驱动的科学基础设施——Gemini for Science能帮你读论文、写代码、生成假设，让科学发现像软件一样迭代，做基础研究的团队值得立即关注。

推荐理由：科研人员终于有了一个能贯穿研究全流程的 AI 助手——从假设探索到文献解析，Gemini for Science 能帮你省下大量重复劳动，做实验设计或写论文的团队值得关注。

推荐理由：做流行病学或复杂系统建模的研究者终于有了能并行跑数千种代码变体的工具，测试新方法的时间从数月缩到数天，值得点开看看怎么用。