Paper Morning 2026-07-12

各位早上好，Paper Morning又和大家见面了。 今天想先从一个我们领域里反复出现的痛点聊起：很多AI模型在科学任务上表现不错，但你问它“为什么”，它就答不上来。它能预测蛋白质性质，但说不清是哪些结构特征起了作用。这种“可解释性”的缺失，其实在限制我们把AI真正融入科学发现流程。SciReasoner这篇工作就试图解决这个根本问题。 作者提出一个多模态科学基础模型，能够进行所谓的“原生结构推理”。它的核心思路是，既保留领域原生的结构信息——比如立体化学、成键模式、对称性、周期性——同时让模型能够追溯到具体证据来支撑预测。换个说法，这是一个能“讲道理”的科学AI，而不是只给答案的black box。我觉得这个方向特别值得关注，因为当我们谈论AI辅助科学发现时，最大的信任障碍其实不是准确率，而是我们能不能理解模型到底学到了什么。这篇工作算是往这个方向迈出的扎实一步。 接下来想聊聊视频理解这个领域最近的一个有趣现象。Video-Oasis这篇论文很有意思，作者没有再堆一个新的benchmark，而是反过来审视了现有的大量视频理解评测。他们发现一个惊人的统计：55%的现有benchmark样本，其实根本不需要看视频就能回答——只靠语言先验和静态图像就能解决。这意味着我们之前以为在考“视频理解”的模型，很可能只是在考语言推理。这个发现让我想到科学计算里的类似问题：当我们训练PDE求解器时，有多少所谓的“物理理解”其实只是拟合了数据中的统计规律？这篇工作值得所有做科学AI的人警醒——我们的benchmark真的在考我们想考的能力吗？ 再说一个跟具身智能和机器人操作相关的进展。LaMem-VLA提出了一个很有意思的观察：现在的视觉语言动作模型大多基于马尔可夫假设，只看当前观测就预测动作，这在做长程任务时会遇到瓶颈。之前的工作要么扩大观测窗口，要么从记忆库检索历史，但这些都把记忆放在了模型推理空间之外。LaMem-VLA的创新在于把历史经验编码成潜在记忆token，直接嵌入到VLA的多模态推理过程中。这让我想到科学计算里的一个类比：求解PDE时，迭代方法需要保留前几步的状态信息来加速收敛——也许这种“潜在记忆”的思路，对那些需要长程推理的科学问题也有启发。 最后简单提一下今天榜单里的两个视频生成工作。Vidu S1实现了实时的语音控制数字人视频生成，而LingBot-Video用MoE架构来平衡视频生成的质量和效率。这些进展和具身智能的需求紧密相关——当机器人需要从互联网视频中学习物理常识时，如何高效地处理和生成视频就成了关键基础设施。 今天的整体观察是：科学AI正在从“能做什么”向“怎么做”和“为什么”演进。无论是可解释的结构推理、对评测基准的批判性审视，还是把记忆机制嵌入到多模态推理中，大家都在试图回答一个更根本的问题：我们真的在构建理解物理世界的模型，还是只是在统计意义上拟合了数据？这条路还很长，但能看到越来越多的工作开始直面这些深层问题，比单纯刷指标更有价值。早上就到这里，我们明天接着聊。