来自华威大学的研究团队提出一个面向 TESS 候选体的全新筛选与验证流程 RAVEN，其引入了合成训练数据集，不再仅依赖任务本身产生的阈值越界事件（TCE）数据，这一改进大幅拓展并增强了机器学习模型所覆盖的行星与假阳性情景参数空间。在一个包含 1361 个预分类 TESS 候选体的独立外部测试集中，该流程实现了 91% 的总体准确率，展示了其在自动排序 TESS 候选体方面的有效性。

MIT 与卡内基梅隆大学研究团队提出的蛋白质生成智能体模型 VibeGen，通过将序列生成与振动动力学预测相结合，实现了从头蛋白质设计。研究结果表明，该生成式智能体所设计的蛋白质，不仅能够折叠为稳定且新颖的结构，还可在主链层面上重现目标振动振幅的分布特征。

HyperAI 整理了一批优质的推理数据集，覆盖多领域、多任务推理、合成推理训练数据，科研评测基准以及大规模问答数据，并支持下载或在线使用数据集。

MIT 的研究人员提出了一种名为 Wave-Former 的新型方法，能够实现对完全被遮挡的、形态多样的日常物体进行高精度的三维形状重建。该方法不仅解决了信号噪声高、遮挡严重的问题，同时通过创新的物理感知训练框架，实现了基于合成数据训练而在真实环境中高保真重建的能力。在与最先进基线方法的直接对比中，Wave-Former 将召回率从 54% 提升至 72%，同时保持了 85% 的高精度。

NVIDIA 在 GTC 2026 上发布了 NVIDIA Isaac GR00T 、 Kimodo 和 SOMA-X 三个开源项目，分别从决策、生成与表示三个层面，切入同一个问题——如何让机器更自然、更高效地完成复杂动作。同时还还发布了 FDFO 这一面向扩散模型的训练方法，从生成模型优化的角度，为上述能力提供底层支撑。

来自明尼苏达大学双城分校的研究团队开发了一种创新知识引导型机器学习模型，该模型的算法结构直接受到水文学科学知识的启发，被称为因子化层级神经网络（FHNN）。研究表明，在预报发布后 2–7 天的时间尺度上，该模型的性能与美国国家气象局的洪水预报相当甚至更好，并且优于未在结构中融入物理科学知识的主流机器学习方法。

英伟达、牛津大学、魁北克人工智能研究所等机构的联合研究团队提出了 Proteína-Complexa 框架，旨在弥合生成式与幻觉式方法之间的断层，将基础生成模型与推理时优化机制统一于同一体系之中，能够实现最优的从头结合剂设计，且无需额外的序列重新设计步骤。

为了便于开发者体验 OpenClaw 在实际应用场景中的能力，HyperAI 上线了「🦞 OpenClaw：使用 Free-CPU 调用 API 运行」与「🦞 OpenClaw 的 GPU 运行教程」，将 OpenClaw 集成到各种社交应用中，实现丰富的自动化任务。

一个名为 LLM Course 的开源项目自发布以来便受到广泛关注，至今已获得 7.7 万 stars，其将分散在论文、博客与代码实践中的知识，重新组织成一套结构清晰、路径明确的学习体系。 HyperAI 将 LLM Course 中包含 Notebook 演示的部分内容，上线至「教程」版块，所有运行环境均已完整配置，可开箱即用。

Google Research 发布的开源洪水数据集 Groundsource，用于从非结构化数据中提取经过验证的地面实况信息，从而以前所未有的精度绘制出历史灾害的足迹。研究人员对来自 150 多个国家的 500 多万篇新闻报道进行自动化处理，最终整理出超过 260 万条历史洪水事件记录，为全球洪水研究提供了前所未有的数据规模与覆盖度。

黄仁勋在 GTC 2026 上激情输出 2 小时，发布了一系列新品及开源成果。

卡内基梅隆大学、波兰弗罗茨瓦夫大学、佛罗里达大学等高校的联合研究团队提出了一种人工智能驱动的量子精修方法 AQuaRef 。该方法基于 AIMNet2 机器学习原子势函数，并针对精修任务进行了定制训练，在接近经典力场计算效率的同时，能够较好地逼近量子力学计算结果，为生物大分子的全原子量子精修提供了新的技术路径。

「HyperAl 超神经为大家整理了 3.9-3.13 期间一系列极具价值且应用广泛的教程和数据集，涵盖语音生成、文生图、大模型 等多个领域~」

斯坦福大学的研究团队提出了首个针对腹部 CT 的原生三维视觉语言基础模型 Merlin，以及一个包含 25,494 例腹部 CT 扫描与放射学报告配对的数据集。

香港中文大学联合澳门理工大学、浙江大学、中南大学湘雅第二医院、中国电子科技大学等提出了一种选择性融合建模范式，基于「化学变异是对生物语义空间的局部扰动」这一认知，设计了将局部化学变异注入全局蛋白质背景的通用框架 Bi-TEAM 。

HyperAI 的「教程」版块上线了 Qwen 、 DeepSeek 、 Gemma 、 Llama 、 GLM 等热门开源模型基于免费 CPU 的在线运行教程，提供从环境准备、模型下载到推理运行的完整部署流程，无需本地部署复杂环境，即可完成模型推理体验与基础开发测试。

来自瑞士洛桑联邦理工学院研究人员提出了一种新的模型架构 DYNAMI-CAL GraphNet，通过将线动量和角动量守恒定律直接嵌入模型结构，显式保证这两种守恒。实验结果表明：DYNAMI-CAL GRAPHNET 在需要对复杂多体动力系统进行准确、可解释且实时建模的领域中具有显著优势，例如机器人技术、航空航天工程以及材料科学。

为了更好地完善 HyperAI 的产品体验与核心能力，我们正式启动新一轮内测体验计划，希望邀请一部分真实用户，体验平台能力、一起打磨产品细节。 💻 如果你有长期使用云平台、 GPU 算力的需求，🙋‍♀️ 如果你有技术背景 […]

「Qwen3-TTS：高质量可控多语言语音合成 Demo」已经上线至 HyperAI 超神经官网（hyper.ai）的「教程」版块，快来体验 3 秒语音克隆吧！

法国南巴黎高等电信学院和巴黎萨克雷大学的研究团队，提出了融合集成学习与 SHapley Additive exPlanations（SHAP）分析的机器学习框架，为 HCC 肝移植候选者的死亡风险评估提供了新解法。

「HyperAl 超神经为大家整理了 3.2-3,6 期间一系列极具价值且应用广泛的教程和数据集，涵盖语音生成、文生图、大模型 等多个领域~」

麻省理工学院与瑞士苏黎世联邦理工学院的联合研究团队，提出了计算框架 APOLLO，即通过潜变量优化学习部分重叠潜空间的自编码器，其通过显式建模共享信息和模态特异性信息，为更全面、精准地解析细胞状态及其调控逻辑提供了一条可行的技术路径。

来自麻省理工学院的研究团队提出一种基于深度学习的语言模型 Pichia-CLM，用于在工业相关宿主毕赤酵母中进行密码子优化，以提升重组蛋白的产量。研究人员在 6 类不同复杂度的蛋白上对 Pichia-CLM 进行了实验验证，并且与 4 种商业化密码子优化工具相比，始终观察到更高的表达产量。

「HyperAl 超神经为大家整理了 2.22-2.27 期间一系列极具价值且应用广泛的教程和数据集，涵盖 OCR 、多模态、 大语言模型 等多个领域~」

芬兰赫尔辛基大学、地中海气候变化研究中心与意大利萨伦托大学组成的联合研究团队，研发了专为区域海洋预报设计的图神经网络模型 SeaCast 。该模型训练完成后，在单块 GPU 上仅需 20 秒，即可完成 1/24° 网格下 18 个垂向层次的 15 天预报，远快于在 CPU 集群上运行的物理基模型。

来自康奈尔大学的研究团队开发了一种稳健、可解释且数据高效的框架 SCAN，用于盐–溶剂化学的建模与解释。该框架能够有效处理长尾数据，并捕捉盐–溶剂配方的完整谱系。研究人员将 SCAN 应用于非水电解质（NAE）体系，在电导率预测上实现了 0.372 mS·cm⁻¹ 的基准误差，相较基线模型将预测误差降低了 65.3% 。

密歇根大学安娜堡分校宋子由教授与孚能科技研发副总裁姜蔚然合作领衔，创新性地提出了「发现学习」的科学机器学习方法。该方法受教育心理学启发，将主动学习、物理约束学习和零样本学习有机融合，构建出一个类人推理闭环学习框架。

一文速览 2025 年 AI for Science 最值得关注的前沿论文。

由清华大学、北京大学、香港大学、普林斯顿大学、中科院、上海交通大学、中国科学技术大学、新加坡国立大学等机构提出的 WorldArena，首次将视频生成质量与具身任务功能性打通，构建了一套从「看起来真实」到「真正可用」的完整评估框架。

内测体验持续招募中，最高可得¥200

来自华威大学的研究团队提出一个面向 TESS 候选体的全新筛选与验证流程 RAVEN，其引入了合成训练数据集，不再仅依赖任务本身产生的阈值越界事件（TCE）数据，这一改进大幅拓展并增强了机器学习模型所覆盖的行星与假阳性情景参数空间。在一个包含 1361 个预分类 TESS 候选体的独立外部测试集中，该流程实现了 91% 的总体准确率，展示了其在自动排序 TESS 候选体方面的有效性。

MIT 与卡内基梅隆大学研究团队提出的蛋白质生成智能体模型 VibeGen，通过将序列生成与振动动力学预测相结合，实现了从头蛋白质设计。研究结果表明，该生成式智能体所设计的蛋白质，不仅能够折叠为稳定且新颖的结构，还可在主链层面上重现目标振动振幅的分布特征。

HyperAI 整理了一批优质的推理数据集，覆盖多领域、多任务推理、合成推理训练数据，科研评测基准以及大规模问答数据，并支持下载或在线使用数据集。

MIT 的研究人员提出了一种名为 Wave-Former 的新型方法，能够实现对完全被遮挡的、形态多样的日常物体进行高精度的三维形状重建。该方法不仅解决了信号噪声高、遮挡严重的问题，同时通过创新的物理感知训练框架，实现了基于合成数据训练而在真实环境中高保真重建的能力。在与最先进基线方法的直接对比中，Wave-Former 将召回率从 54% 提升至 72%，同时保持了 85% 的高精度。

NVIDIA 在 GTC 2026 上发布了 NVIDIA Isaac GR00T 、 Kimodo 和 SOMA-X 三个开源项目，分别从决策、生成与表示三个层面，切入同一个问题——如何让机器更自然、更高效地完成复杂动作。同时还还发布了 FDFO 这一面向扩散模型的训练方法，从生成模型优化的角度，为上述能力提供底层支撑。

来自明尼苏达大学双城分校的研究团队开发了一种创新知识引导型机器学习模型，该模型的算法结构直接受到水文学科学知识的启发，被称为因子化层级神经网络（FHNN）。研究表明，在预报发布后 2–7 天的时间尺度上，该模型的性能与美国国家气象局的洪水预报相当甚至更好，并且优于未在结构中融入物理科学知识的主流机器学习方法。

英伟达、牛津大学、魁北克人工智能研究所等机构的联合研究团队提出了 Proteína-Complexa 框架，旨在弥合生成式与幻觉式方法之间的断层，将基础生成模型与推理时优化机制统一于同一体系之中，能够实现最优的从头结合剂设计，且无需额外的序列重新设计步骤。

为了便于开发者体验 OpenClaw 在实际应用场景中的能力，HyperAI 上线了「🦞 OpenClaw：使用 Free-CPU 调用 API 运行」与「🦞 OpenClaw 的 GPU 运行教程」，将 OpenClaw 集成到各种社交应用中，实现丰富的自动化任务。

一个名为 LLM Course 的开源项目自发布以来便受到广泛关注，至今已获得 7.7 万 stars，其将分散在论文、博客与代码实践中的知识，重新组织成一套结构清晰、路径明确的学习体系。 HyperAI 将 LLM Course 中包含 Notebook 演示的部分内容，上线至「教程」版块，所有运行环境均已完整配置，可开箱即用。

Google Research 发布的开源洪水数据集 Groundsource，用于从非结构化数据中提取经过验证的地面实况信息，从而以前所未有的精度绘制出历史灾害的足迹。研究人员对来自 150 多个国家的 500 多万篇新闻报道进行自动化处理，最终整理出超过 260 万条历史洪水事件记录，为全球洪水研究提供了前所未有的数据规模与覆盖度。

黄仁勋在 GTC 2026 上激情输出 2 小时，发布了一系列新品及开源成果。

卡内基梅隆大学、波兰弗罗茨瓦夫大学、佛罗里达大学等高校的联合研究团队提出了一种人工智能驱动的量子精修方法 AQuaRef 。该方法基于 AIMNet2 机器学习原子势函数，并针对精修任务进行了定制训练，在接近经典力场计算效率的同时，能够较好地逼近量子力学计算结果，为生物大分子的全原子量子精修提供了新的技术路径。

「HyperAl 超神经为大家整理了 3.9-3.13 期间一系列极具价值且应用广泛的教程和数据集，涵盖语音生成、文生图、大模型 等多个领域~」

斯坦福大学的研究团队提出了首个针对腹部 CT 的原生三维视觉语言基础模型 Merlin，以及一个包含 25,494 例腹部 CT 扫描与放射学报告配对的数据集。

香港中文大学联合澳门理工大学、浙江大学、中南大学湘雅第二医院、中国电子科技大学等提出了一种选择性融合建模范式，基于「化学变异是对生物语义空间的局部扰动」这一认知，设计了将局部化学变异注入全局蛋白质背景的通用框架 Bi-TEAM 。

HyperAI 的「教程」版块上线了 Qwen 、 DeepSeek 、 Gemma 、 Llama 、 GLM 等热门开源模型基于免费 CPU 的在线运行教程，提供从环境准备、模型下载到推理运行的完整部署流程，无需本地部署复杂环境，即可完成模型推理体验与基础开发测试。

来自瑞士洛桑联邦理工学院研究人员提出了一种新的模型架构 DYNAMI-CAL GraphNet，通过将线动量和角动量守恒定律直接嵌入模型结构，显式保证这两种守恒。实验结果表明：DYNAMI-CAL GRAPHNET 在需要对复杂多体动力系统进行准确、可解释且实时建模的领域中具有显著优势，例如机器人技术、航空航天工程以及材料科学。

为了更好地完善 HyperAI 的产品体验与核心能力，我们正式启动新一轮内测体验计划，希望邀请一部分真实用户，体验平台能力、一起打磨产品细节。 💻 如果你有长期使用云平台、 GPU 算力的需求，🙋‍♀️ 如果你有技术背景 […]

「Qwen3-TTS：高质量可控多语言语音合成 Demo」已经上线至 HyperAI 超神经官网（hyper.ai）的「教程」版块，快来体验 3 秒语音克隆吧！

法国南巴黎高等电信学院和巴黎萨克雷大学的研究团队，提出了融合集成学习与 SHapley Additive exPlanations（SHAP）分析的机器学习框架，为 HCC 肝移植候选者的死亡风险评估提供了新解法。

「HyperAl 超神经为大家整理了 3.2-3,6 期间一系列极具价值且应用广泛的教程和数据集，涵盖语音生成、文生图、大模型 等多个领域~」

麻省理工学院与瑞士苏黎世联邦理工学院的联合研究团队，提出了计算框架 APOLLO，即通过潜变量优化学习部分重叠潜空间的自编码器，其通过显式建模共享信息和模态特异性信息，为更全面、精准地解析细胞状态及其调控逻辑提供了一条可行的技术路径。

来自麻省理工学院的研究团队提出一种基于深度学习的语言模型 Pichia-CLM，用于在工业相关宿主毕赤酵母中进行密码子优化，以提升重组蛋白的产量。研究人员在 6 类不同复杂度的蛋白上对 Pichia-CLM 进行了实验验证，并且与 4 种商业化密码子优化工具相比，始终观察到更高的表达产量。

「HyperAl 超神经为大家整理了 2.22-2.27 期间一系列极具价值且应用广泛的教程和数据集，涵盖 OCR 、多模态、 大语言模型 等多个领域~」

芬兰赫尔辛基大学、地中海气候变化研究中心与意大利萨伦托大学组成的联合研究团队，研发了专为区域海洋预报设计的图神经网络模型 SeaCast 。该模型训练完成后，在单块 GPU 上仅需 20 秒，即可完成 1/24° 网格下 18 个垂向层次的 15 天预报，远快于在 CPU 集群上运行的物理基模型。

来自康奈尔大学的研究团队开发了一种稳健、可解释且数据高效的框架 SCAN，用于盐–溶剂化学的建模与解释。该框架能够有效处理长尾数据，并捕捉盐–溶剂配方的完整谱系。研究人员将 SCAN 应用于非水电解质（NAE）体系，在电导率预测上实现了 0.372 mS·cm⁻¹ 的基准误差，相较基线模型将预测误差降低了 65.3% 。

密歇根大学安娜堡分校宋子由教授与孚能科技研发副总裁姜蔚然合作领衔，创新性地提出了「发现学习」的科学机器学习方法。该方法受教育心理学启发，将主动学习、物理约束学习和零样本学习有机融合，构建出一个类人推理闭环学习框架。

一文速览 2025 年 AI for Science 最值得关注的前沿论文。

由清华大学、北京大学、香港大学、普林斯顿大学、中科院、上海交通大学、中国科学技术大学、新加坡国立大学等机构提出的 WorldArena，首次将视频生成质量与具身任务功能性打通，构建了一套从「看起来真实」到「真正可用」的完整评估框架。

内测体验持续招募中，最高可得¥200