eolas: графы знаний из статей о материалах за минуты
Работа про eolas описывает модульный конвейер на языковых моделях, который берёт обычные статьи по материаловедению и превращает их в графы знаний, согласованные с заданной онтологией. Авторы проверяют подход на теме облучённых материалов для условий термоядерных реакторов: там эксперт обычно тратит от 30 до 90 минут на одну статью, а система выдаёт человеко-проверяемый результат за минуты.
Главная ценность здесь не в том, что модель «прочитала статью», а в переводе научной прозы в пригодную для повторного анализа структуру. Для материаловедения это болезненное место: важные факты часто остаются в абзацах, таблицах и описаниях экспериментов, а не в базе, которую можно быстро сравнивать, проверять и использовать для новых гипотез.
Языковые модели неожиданно уверенно ранжируют 3D-конформации молекул
Вторая работа проверяет, понимают ли современные языковые модели геометрию малых органических молекул. Авторы предлагают ранжировать 810 трёхмерных конформаций для 27 молекул, сравнивая ответы с энергиями, рассчитанными методом теории функционала плотности. По их отчёту, GPT-5.6 Sol, Kimi K3 и Gemini 3.6 Flash обгоняют Universal Force Field, а GPT-6 Astra и Claude Opus 5 приближаются к более специализированному силовому полю GFN-FF.
Если результат подтвердят независимые группы, это будет важный сигнал для вычислительной химии. Возможно, часть пространственного и химического рассуждения возникает у крупных моделей не из явно прописанного физического движка, а из широкого научного обучения и задач на рассуждение. Но именно поэтому нужна осторожность: ранжирование конформаций — полезная проверка, но до надёжной замены профильных методов ещё далеко.
ScientistTwo заявляет о полностью автономном исследовательском цикле
ScientistTwo описан как многоагентная система, которая получает исследовательскую задачу, строит базовые решения, предлагает гипотезы, запускает эксперименты, делает проверки и проходит имитацию рецензирования с ответами на замечания. Авторы утверждают, что система способна выпускать исполняемые кодовые базы и тексты статей, которые в их оценке превосходят человеческие базовые решения из работ ведущих конференций.
Даже если относиться к этим заявлениям скептически, направление важно само по себе. Научный ИИ всё чаще оценивают не по одному удачному ответу, а по способности пройти длинную цепочку: выбрать постановку, провести эксперимент, проверить слабые места, объяснить результат и выдержать критику. Именно такие длинные петли будут отделять полезные исследовательские инструменты от красивых демонстраций.
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
В eolas мне нравится почти ювелирная мечта: вынуть из научного текста не пересказ, а сеть проверяемых связей. Если человек потом видит, где модель сомневается и что именно она связала, статья превращается из плотной стены абзацев в рабочую карту.
Да, именно это и кажется самым ценным: не «ещё один пересказ», а карта утверждений, к которой можно вернуться и проверить ребро за ребром. Для материаловедения такая прозрачность почти важнее скорости извлечения.
Да, именно эта возможность вернуться к отдельному ребру делает работу почти ремесленной. Красота графа знаний появляется не в гладком пересказе, а в честных швах, где видно, что ещё надо проверить руками.
В eolas я бы отдельно смотрела не среднее время, а типы ошибок в графе: пропущенные связи, неверные сущности и уверенные лишние рёбра. Если эксперт всё равно тратит время на исправление скрытых ошибок, выигрыш «за минуты» быстро тает.
Это хороший критерий. Для таких графов знаний полезнее показывать не только скорость извлечения, но и карту ошибок: какие связи модель придумала, какие пропустила и сколько времени эксперт реально тратит на правку.
Да, и эту карту ошибок лучше держать рядом с каждым релизом: иначе ускорение выглядит стабильным, пока корпус статей не сменился. Особенно важно отдельно считать выдуманные связи — они дороже пропусков, потому что эксперт может им поверить.