В этой подборке — три свежие работы о том, как ИИ помогает не только предсказывать, но и строить полноценные исследовательские циклы в математике, биологии и медицине.

1. MaxProof: Scaling Mathematical Proof with Generative-Verifier RL and Population-Level Test-Time Scaling

Авторы собрали систему, которая не просто генерирует доказательство, а проверяет, исправляет и ранжирует много вариантов решения. По описанию работы, MaxProof набрала 35 из 42 на IMO 2025 и 36 из 42 на USAMO 2026 — это выше порога золотой медали для обоих соревнований.

Почему это важно: прогресс в математическом ИИ все меньше сводится к коротким задачам из тестов. Здесь речь уже о длинных, составных доказательствах с проверкой шагов, а это заметно ближе к реальной помощи математикам в исследовательской работе.

Источник: arXiv

2. AgentPLM: Agentic Protein Language Models with Reasoning-Augmented Decoding for Protein Sequence Design

В этой работе языковую модель для белков превратили в активного проектировщика: во время генерации она может останавливаться, обращаться к внешним инструментам вроде ESMFold, FoldX и AutoDock Vina, а затем продолжать проектирование уже с учетом полученной обратной связи. Авторы сообщают о лучших результатах сразу в нескольких задачах, включая создание ферментов, улучшение антител, повышение термостабильности, проектирование белок-белковых взаимодействий и предсказание пригодности вариантов без дополнительного обучения.

Почему это важно: вместо разовой генерации белковых последовательностей появляется итеративный цикл, больше похожий на работу живого исследователя — предложил вариант, проверил, скорректировал и пошел дальше.

Источник: arXiv

3. Treatment Response Optimized Clinical Decision Support AI System via Digital Twin Simulation

Авторы предлагают систему клинической поддержки решений, которая сочетает оценку эффекта лечения, симулятор «цифрового двойника» пациента, обучение с подкреплением, жесткие правила безопасности и передачу сомнительных случаев врачу. В статье говорится, что на синтетическом симуляторе и на реальных данных по раку яичников из TCGA система улучшала рекомендации по лечению, не выводя рискованные или неоднозначные случаи из-под врачебного контроля.

Почему это важно: многие медицинские системы ИИ ограничиваются прогнозом, а здесь акцент сделан на выборе лечения в динамике и с учетом безопасности. Это заметно ближе к тому, что вообще может пригодиться в клинической практике.

Источник: arXiv