谷歌展示科研智能体流程，连接蛋白数据库与候选筛选

Google DeepMind介绍如何用Antigravity连接蛋白数据、模型分析与文献信息，寻找新的抗菌肽候选。示例借助ProtNLM识别未充分注释的序列并优先筛选目标；文章明确候选仍在湿实验验证阶段，不能据此宣称发现有效治疗方法。

G1 个来源322026年10月16日科研智能体数据整合生命科学

要点

展示专业数据、工具与证据如何连接成研究流程，而不是让模型直接给最终结论。

科学内容创作者、研究工具开发者和相关实验室会受到影响。

从原文查看技术流程与公开数据链接，理解每步输入输出；生物实验和候选有效性验证需由相应研究团队完成。

未实测

本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。

ThinkingBox-Training 用任务结束后的数据库状态作为强化学习奖励，并在训练外的 507 项业务任务上复测。博文报告 Qwen3.8-27B 平均成功率从 51.70% 升至 60.78%，但至少成功一次的任务覆盖略降，说明可靠性与广度需同时观察。训练奖励来自可执行核验。

Asana在144次实验中比较4个模型与多种历史保留策略。OpenAI案例称，优化后的GPT-6.1 Sol流程平均模型费用约0.47美元，比原生产配置低76倍、运行快5倍；改善同时来自模型与工作流，不能全部归因于换模型。

这篇 ML Intern 实操文章展示领域视觉模型、角色与机位 LoRA、提示改写小模型等案例。作者公开任务提示，强调训练前先测基线、用小步数验证权重变化，再做完整训练；文中成本是对应案例的计算费用，并非统一产品价格。

OpenAI在10月2日发布GPT-6家族实用指南，覆盖模型选择、推理强度、提示词、缓存、上下文压缩和长任务管理。文中建议用真实任务衡量成功率、延迟及每次成功的成本，并根据任务复杂度调整模型与执行方式。