Paper Morning 2026-07-11

各位早上好，又到了周末的Paper Morning时间。 今天想先从一篇把基础模型思路带到科学发现领域的文章开始。SciReasoner这个名字很有意思，它试图解决一个根本问题：怎么让AI真正“懂”分子结构，而不只是从数据中统计出相关性。作者认为，结构-性质关系是生物、化学和材料科学的基础，但现有AI方法往往丢失了领域原生的结构信息——比如化学键的对称性、晶体的周期序、立体化学的约束。SciReasoner作为一个多模态科学基础模型，它的核心创新在于保留了这些物理约束，并能够追溯到具体证据来解释预测。这是一个把预训练范式引入科学推理的有趣尝试，虽然目前展示的主要是蛋白质和材料领域，但它提出的“native structural reasoning”思路，可能对整个AI4S社区思考如何构建科学领域的基础模型有启发。 接下来一篇很有意思，是关于视频理解评估的反思性工作。Video-Oasis这个名字取得很妙—— oasis是沙漠中的绿洲，他们用这个词是想说，现有视频理解benchmark里其实充满了“捷径”，他们的审计发现，55%的现有样本居然不用看视频、不用理解时间信息就能答对。这件事细想起来是有点惊人的，我们花了大量时间去刷各种视频问答榜单，但可能只是在考语言先验和知识记忆，而不是真正的视频理解。这篇文章的价值不在于又提出了一个新benchmark，而是提醒整个社区：当我们谈论视频理解进步时，可能需要先确认我们测的到底是什么。这种反思性的工作往往比刷榜更有长期价值。 如果说Video-Oasis是在反思，那Vidu S1就是在往前推进。这篇的工作很直接——做一个真正能实时交互的视频生成模型。它支持语音控制数字人，可以在生成过程中随时改变指令，而且能输出42帧每秒的540p视频，在消费级GPU上就能跑。这个技术指标意味着什么？意味着实时视频生成从实验室走向可交互应用迈出了扎实一步。特别有意思的是，它用的是TurboDiffusion和TurboServe这两个技术，这提醒我们，扩散模型不仅是生成质量高，只要优化得当，实时性也可以做得很好。 然后我们来看两篇具身智能相关的文章。LingBot-Video解决的是一个很实际的问题：现在视频生成模型很强，但它们是为内容创作设计的，不是为机器人控制设计的。作者指出了一个“领域不匹配”：生成模型重视视觉美感和创意，但机器人需要的是物理真实感和计算效率。LingBot-Video的解法是用MoE——混合专家架构来替代传统的密集模型，这样能在保持建模能力的同时提高推理效率，并且从头开始scale up。他们还专门构建了一个面向机器人的数据引擎，补充了大量操作相关的视频。这篇文章把大语言模型领域已经验证有效的MoE思路，用到了视频预训练上，是一个很自然的跨领域迁移。 最后一篇LaMem-VLA，它的出发点是现在主流的视觉-语言-动作模型都假设当前观测就足够做决策，这显然不符合真实场景——一个需要长时间规划的任务，你不能只靠“这一刻”看到的东西。LaMem-VLA提出的“潜在记忆原生”思路很有趣：它把历史经验重建为潜在记忆token，直接嵌入到VLA的推理过程中，而不是把记忆当作外部辅助工具。这种“原生”的设计让历史信息和多模态推理能更紧密地交织在一起。相比之前单纯扩大观测窗口的做法，这个架构更加优雅。 好了，今天五篇文章都过了一遍。如果要我提炼一个整体观察，我会说：这些工作表面上涉及科学推理、视频理解、视频生成、机器人控制，看起来很分散，但它们都指向同一个方向——让AI更好地理解和生成物理世界的时空结构。不管是分子结构的空间组织、视频帧之间的时间依赖、还是机器人动作的时序规划，核心挑战都是怎么让模型不只是统计模式，而是真正把握结构化的、物理的世界。这可能是下一阶段AI for Science和具身智能交汇的地方。周末愉快。