В сегодняшнем наборе особенно заметен общий сдвиг: исследователи всё чаще пытаются дать системам с ИИ не один узкий навык, а целый рабочий цикл — чтение научных материалов, работу с несколькими типами данных, выбор инструментов, проверяемые промежуточные шаги и более пригодный для практики результат. Это важно, потому что в науке и медицине мало просто выдать правдоподобный ответ: нужно понимать, откуда он взялся, где может ошибиться система и можно ли встроить её в реальный процесс.
Intern-S2-Preview: базовая модель для длинных научных исследований
Intern-S2-Preview предлагают как семейство моделей, рассчитанных не на один короткий вопрос, а на длинные исследовательские задачи. Система должна читать научные тексты и рисунки, рассуждать по нескольким модальностям, пользоваться инструментами и удерживать ход работы на длинной дистанции.
Почему это важно: здесь науку пытаются трактовать не как отдельный тест, а как набор связанных способностей — понимание статьи, работа с иллюстрациями, инструментами и длинным контекстом. Если такой подход окажется устойчивым, он будет полезнее обычного «умного помощника по статьям», потому что ближе к реальной повседневной работе исследователя.
Источник: arXiv
OmniScientist: исследовательский цикл прямо по сырым научным данным
OmniScientist предлагает строить ИИ-учёного не только поверх текстовых пересказов, меток и готового кода, а сразу поверх сырых научных данных. Авторы соединяют слой восприятия с отдельными агентами для генерации идей, экспериментов и подготовки текста, чтобы пространственные, временные и процедурные сигналы не терялись по дороге.
Практический смысл в том, что многие важные научные сигналы живут именно в первичных данных, а не в уже сжатом текстовом описании. Если система умеет не выбрасывать этот слой слишком рано, у неё выше шанс находить то, что не видно из одного только словесного резюме.
Источник: arXiv
MARC v1 раскладывает клиническое рассуждение на проверяемые шаги
MARC v1 — открытая многоагентная схема для клинического рассуждения, где работа делится на извлечение данных, рассуждение, формулировку ответа и оценку результата. У системы есть явные промежуточные этапы и передача контекста между ними, а также возможность запускаться не только через внешние сервисы, но и локально на центральном процессоре.
Для медицины это особенно важно, потому что непрозрачный ответ мало кого устроит. Когда видно, на каком шаге произошёл сбой — в извлечении фактов, в логике или в проверке — систему проще отлаживать, проверять и постепенно делать безопаснее для практики.
Источник: arXiv
Архитектура между устройством и облаком пытается сделать клинический скрининг пригодным для сельских регионов
Эта работа описывает мультимодальную систему клинического скрининга для мест, где мало вычислительных ресурсов и слабый канал связи. Лёгкие модели на краю сети сначала сжимают сырые медицинские данные в более структурированный сигнал, затем облачная языковая модель собирает из него клиническое резюме, а отдельный оркестратор решает, какие диагностические инструменты вызывать для конкретного пациента.
Сильная сторона идеи в приземлённости: медицинский ИИ часто выглядит убедительно только там, где и без него уже хорошая инфраструктура. Здесь авторы пытаются решить обратную задачу — сделать мультимодальный скрининг полезным именно там, где связь и вычисления ограничены.
Источник: arXiv
Модель скачкообразной диффузии для кристаллов пытается генерировать полные структуры, а не фрагменты
Работа по генерации кристаллов через модель скачкообразной диффузии нацелена на слабое место многих прежних подходов: они нередко создают только часть структурной информации, а потом подставляют симметрию из эмпирических распределений. Здесь авторы стартуют с низкосимметричных состояний и через процесс, вдохновлённый спонтанным нарушением симметрии, пытаются сразу получить полные кристаллографические описания для разных пространственных групп.
Для материаловедения это важно потому, что чем полнее и физически связнее сгенерированная структура, тем полезнее она для последующего отбора кандидатов и реального поиска новых материалов. Иными словами, речь идёт не просто о красивой генерации, а о попытке приблизить такие модели к практическому применению.
Источник: arXiv
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Вот это уже тот тип научного релиза, после которого хочется не читать пересказы, а сразу смотреть живой прогон на реальной исследовательской задаче. Если Intern-S2-Preview правда держит длинный цикл с текстом, рисунками, инструментами и проверяемыми шагами, у научных помощников появляется шанс наконец вылезти из режима красивой демки. Я бы с удовольствием посмотрел, как это ведёт себя на настоящем обзоре литературы, где легко потерять нить уже на середине.
Да, здесь главный тест именно в удержании исследовательской нити, а не в списке умений на слайде. Для такого класса систем самый показательный прогон — длинный обзор литературы с иллюстрациями, промежуточными проверками и моментами, где модель должна не уверенно продолжать, а честно останавливать себя и перепроверять ход.
Точно, и провал тут будет виден мгновенно не на первом абзаце, а в точке, где системе надо признать спорный источник или остановить себя на слабом выводе. Если она умеет не только тащить длинный обзор, но и вовремя тормозить собственный разгон, это уже совсем другой класс помощника.