酶功能预测改用无标注同源序列:EZpred在720个新酶上把四位数EC号F1提到0.786
EZpred把蛋白质结构预测里常用的同源序列特征搬到酶功能预测上,只取同源序列的序列特征、不看它们的功能标注。此前深度学习模型大多只从目标序列本身取特征,少数用同源的模型也只利用带功能标签的同源序列。在720个于UniProt 2024_02新增EC号的酶上,EZpred预测完整四位数EC号的F1为0.786,比CLEAN和GraphEC分别高27%和31%。
EZpred把蛋白质结构预测里常用的同源序列特征搬到酶功能预测上,只取同源序列的序列特征、不看它们的功能标注。此前深度学习模型大多只从目标序列本身取特征,少数用同源的模型也只利用带功能标签的同源序列。在720个于UniProt 2024_02新增EC号的酶上,EZpred预测完整四位数EC号的F1为0.786,比CLEAN和GraphEC分别高27%和31%。
在线评分细则自蒸馏(ORSD)让当前策略从同一组同策略轨迹的差异中自行生成自然语言过程评分细则,再由冻结验证器按细则满足度与任务成功的相关性选出一份,作为特权信息比较同一批词元在有无细则下的对数似然差,把轨迹级GRPO优势细化为词元级信用。在ALFWorld与WebShop上,Qwen3-1.7B和Qwen3-4B在相同环境交互预算下均取得所比较方法中最好的总体结果。
CLEAR在论文与可执行代码之间加入一层结构化执行规格,把研究文档先转成可人工核对的实现单元、依赖、接口与评测流程,再据此生成和局部修复代码。在PaperBench的20项任务上,CLEAR平均得分29.87、单篇平均成本7.91美元;与AiScientist相比,成本降低35.16%,得分少3.86分。在MLE-Bench Lite上,CLEAR的22项任务全部形成有效提交,77.27%的任务获得任意奖牌。
多轮智能体强化学习常被用来提升大语言模型智能体的长程能力,但轨迹级成功率掩盖了它对单步决策的实际影响。研究在DeepCoder-MT、BFCL、InterCode-SQL与FrozenLake四个交互任务上,用采样广度与交互深度两个维度评估GRPO训练后的模型:采样轨迹越多,强化学习模型越稳定地超过基座模型;但把每条轨迹的交互轮数压紧,这一优势会缩小、消失,在部分任务上甚至反转。逐状态比较显示,强化学习模型只在46.8%的DeepCoder-MT状态和42.8%的FrozenLake状态上给出更优的下一步动作,其增益主要来自错误恢复与轨迹后段。
异构多任务离线强化学习里,各任务的状态维度、动作空间和动力学差异很大,直接共享骨干会同时遇到接口错位和梯度冲突。HeteroGrad-DT在共享序列骨干外为每个任务配独立的输入分词器和预测头,并用梯度流Transformer按同步间隔汇总各任务梯度、学习融合权重来协调共享更新。在DeepMind Control Suite最多30个任务的设定下,它的平均归一化回报高于代表性的多任务方法,30任务上相对共享骨干标准训练提升32.3%,相对同样任务接口下的PCGrad基线提升8.6%。
跨模态视网膜图像刚性配准此前多依赖“先分割血管、再检测关键点”的两步流程,配准质量受分割精度牵制。MICRO基准汇集1,365对覆盖术前、术中、术后的跨模态视网膜图像对,并配以专家标注的控制点。基于该基准的一步式OFS2Reg用频域结构保持描述子和跨模态血管结构相似性学习直接构造关键点拓扑约束,在MICRO-pre子集上取得0.784的成功率与5.08像素的RMSE。
太阳Hα图像中的暗条在演化中会断裂成多块,投影效应让同一暗条的不同碎块在图上彼此分离,而不同暗条的碎块又可能靠得很近,仅凭距离和朝向难以判断归属。研究把每个碎块当作图节点、把候选配对当作边,用图神经网络做边级预测,并把常规的加性聚合换成乘性聚合,使不一致邻居的贡献被压低。在Kanzelhöhe天文台约100幅Hα图像、约1700个碎块构建的数据集上,kNN取10时该方法取得AUC 0.867、AP 0.792,高于GCN的0.832/0.747和GAT的0.842/0.766。
不同泛函算出的形成能长期无法直接合并,MatPES中同一结构在PBE与r2SCAN下的平均差达107 meV/atom。研究者用38万余条结构配对的PBE–r2SCAN数据训练图神经网络,直接预测两种泛函之间的能量残差,把PBE形成能校正到r2SCAN能标。以GPTFF为骨干的模型在留出测试集上平均绝对误差为14.3 meV/atom,低于CHGNet的18.2 meV/atom。
遥感灾情评估长期停留在分割掩膜、边界框和类别标签这类低层输出,而应急人员需要的是可核查的文字报告。DisasterAgent把双时相影像交给视觉专家工具链,将工具输出组织成时空感知图,再从图中抽取带内联引用的证据,驱动一个未经灾害微调的视觉语言模型生成报告。在DisasterM3上,其灾害报告生成平均分比作为中枢的Qwen3.5-27B提高13.5%;在RSCC上,ST5-SCS比同一基座模型提高15.34%。
地球系统AI模型逼近公里级分辨率时,网格间距减半会让格点数翻四倍,端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量:每一级冻结上一级完整预报器,只训练一个跨分辨率残差修正模块,父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°,在单张80GB A800 GPU上训练约四周,对HRES-0.07°分析保持父模型的对流层技巧,同时降低平流层上部误差并刻画更细结构。