Paper Morning 2026-07-15

各位早上好，欢迎来到Paper Morning。 今天想先从一个更大的图景聊起。我们都知道，大模型这两年最热闹的进展集中在语言和多模态领域，但如果你稍微把目光往旁边偏一偏，会发现一些很有意思的东西正在悄悄改变我们做科学智能的方式。 先看第一篇，ABot-N1，这是视觉语言导航领域的工作。猛一看好像跟科学计算没什么关系，但我建议你注意它背后的设计思路。它用了一个slow-fast的双系统架构，慢系统负责推理，快系统负责控制，把认知和执行解耦开来。这其实回应了一个很本质的问题：怎么让一个通用智能体既能做复杂的推理，又能保持实时响应的能力。你回头想想，我们在做科学模拟的时候，是不是也经常面临类似的困境？比如解一个PDE，我们既需要高保真的物理建模，又需要实时的推理能力。这个slow-fast的思路，说不定能为我们设计科学计算的foundation model提供一些启发。 再看第二篇，Xiaomi-Robotics-U0，这个工作很有意思。它把具身智能看成是image和video generation的自然延伸，用一个380亿参数的多模态模型统一了图像生成、场景生成、还有机器人控制。这背后其实反映了一个趋势：当生成模型足够强大以后，它不仅可以“想象”画面，还可以“想象”物理世界。这让我想到，如果我们的PDE求解器也能具备这种生成式的能力，是不是可以从“求解”转向“想象”物理演化的过程？特别是对那些缺乏解析解或者实验数据昂贵的复杂系统，这种生成式的世界观可能很有意思。 第三篇，Long-Horizon-Terminal-Bench，这是一个关于AI agent的长程任务benchmark。它特别强调了一个我们做研究的人可能都有感受的问题：现有的benchmark太关注最终结果，而忽视了中间的思考过程。它引入了细粒度的dense reward，来更全面地评估agent的能力。这个设计理念其实很值得我们借鉴。大家知道，做科学计算的时候，我们往往也是只看最终误差，但中间推理路径的正确性同样重要，甚至有时候更重要。这个工作提醒我们，是不是也该为科学智能体设计更细粒度的评估方式？ 第四篇，Video Generation Models are General-Purpose Vision Learners，这个工作提出了一个很犀利的观点：视频生成可以作为视觉智能的预训练范式，就像next-token预测之于语言模型。他们用视频生成模型作为backbone，在各种视觉任务上取得了很好的效果。这个思路其实跟我们现在在探索的PDE foundation model有异曲同工之妙：我们也是希望通过大规模的科学数据预训练，让模型学到物理世界的基本规律。不过这里有一个有趣的差别：视频生成学的是表象的时间演化，而我们要学的可能是更底层的物理法则。这两者能不能结合起来？也许是值得思考的问题。 最后一篇，Scalable Visual Pretraining for Language Intelligence，这个工作挑战了一个我们习以为常的假设：训练语言模型一定要用纯文本吗？它证明了视觉信息可以为语言智能提供独特的价值，特别是对于那些包含图表、公式、版式的文档。这让我想到，其实在科学领域，我们有大量的实验数据、模拟结果，都是以图像、波形图这种视觉形式存在的。我们是不是也可以用类似的思路，让语言模型通过视觉的方式来理解科学数据？这样也许能解锁一些纯文本无法捕捉的物理直觉。 好，让我们回到今天这些论文的整体观察。我会发现一个有意思的共同点：大家都 在探索“通用性”和“专业性”之间的平衡。无论 是视觉语言导航、机器人控制、还是视频生成，大家都在尝试用foundation model的思路来统一更多的任务。但同时又都在各自的场景里加入了专门的约束和设计。这其实也正是我们AI4S领域正在面对的核心问题：我们到底需要多通用的科学智能体？通用性要强到什么程度才不会牺牲物理保真度？这个问题可能还没有标准答案，但今天这些工作至少给我们提供了不少值得参考的思路。 好了，今天的播报就到这里，我们明天早上继续聊。