UCL 发布大发现模型 LDM：用大模型自动设计科学实验
机器之心 · wechat · 2026-08-30
伦敦大学学院汪军团队发布“大发现模型”（LDM），旨在解决科学发现中“如何设计下一个实验”的核心难题。LDM 结合了生成式基础模型与高斯过程（GP）奖励模型，在 Auto-Research、抗体设计和小分子优化任务中表现出色。
核心架构：快慢双闭环
- 快闭环：LLM 根据历史生成开放式候选（如代码、序列），GP 基于实验反馈评估价值（探索 vs 利用），通过采集函数选出最佳实验方案。
- 慢闭环：将高价值的搜索策略蒸馏进模型参数，使模型学会“如何基于经验提出新设计”，具备跨任务迁移的元能力。
关键概念：Discovery（发现）
- 传统优化关注“利用”（已知区域找最优）和“探索”（已知区域找信息）。
- LDM 强调“发现”：当现有搜索饱和时，模型需改变表示，将全新的机制或结构纳入搜索空间。
实验效果
- Auto-Research：引入 Muon 优化器等新机制，BPB 降幅是纯大模型反思的 2.4 倍，B200 硬件下达到 0.902291。
- 抗体设计：在 20^11 序列空间中，结合能平均降低 18.2%。
- 小分子设计：Pareto 超体积比纯 LLM 和贝叶斯优化提升约 60%。
跨任务泛化
- 仅用代码和分子数据微调的模型，在未见过的抗体任务上 4/5 接近或超过有监督模型，证明学到了通用的研究决策策略。
「研究」频道最新
- 伯克利团队用扩散模型直接采样机器人策略权重，Unitree G1 真机走跑起舞 — berkeley_ai · 2026-10-16
- HKU 等提出 OneWM：统一因果训练让世界模型与动作学习互相增益 — IAAI233 · 2026-10-16
- 百度提出 Virtual Head Attention：同时压 KV cache、算力并保质量 — baidu · 2026-10-16
- 5.8M 参数语音事件检测器：为 Whisper 转录补上笑声呼吸与背景音 — Ayush Kumar Bar · 2026-10-16
- 华为等提出 SUPRA-Tex：单图生成可重打光 3D 材质，所见即所得 — Chen Yang · 2026-10-16
- RoboVista 机器人理解基准发布:Gemini-4 Argon 81.9% 登顶 — berkeley_ai · 2026-10-16