2026 年开放获取周的主题是“知识的成本”。10 月 21 日，学术图书编辑 Jen McCall 在 LSE Impact Blog 发文，回顾学术专著从纸本、电子书到开放获取的成本变化：一种书往往只卖出一两百册，出版社便多出品种、提高单价。本文核对她引用的两项研究，并补充图书馆电子书许可和开放获取专著的资料。

成本测算与销量数据

McCall 有 30 多年学术出版经验，曾任职于剑桥大学出版社、Wiley 和 Palgrave Macmillan，目前为阿姆斯特丹大学出版社（AUP）和中欧大学出版社（CEU Press）组稿。她在这篇文章里以 LSE Press 的口吻写作，用“我们”介绍这家数字优先、只出开放获取图书的大学出版社。因此文章兼有行业综述和出版社自述：成本与销量数字来自外部研究，按需印刷和开放获取的好处多是出版方自己的判断。

文中“一本书的成本可能高达 13 万美元”出自 Ithaka S+R 2016 年 2 月发布的报告《The Costs of Publishing Monographs》。研究团队统计了美国 20 家大学出版社 2014 财年出版的 382 种专著，按组稿、编辑、设计、生产、营销等环节估算员工时间、直接支出和出版社层面的管理费用。单本成本从 15,140 美元到 129,909 美元不等；全部样本平均为 28,747 美元（只计直接成本）或 39,892 美元（加上管理费用）。13 万美元是样本中的最高值，并非典型成本。这项研究也只计算做出“第一份数字文件”的花费，不含纸本的印刷、装订、发行，以及作者预付金和版税。

销量与定价数据来自牛津布鲁克斯大学牛津国际出版中心 2021 年 10 月发布的调查报告。该中心在 2021 年 2—3 月向英语学术出版社发放问卷，收回 25 家商业出版社和大学出版社的答复，它们 2020 年合计出版约 32,600 种人文社科专著，约占英语专著总量的四分之三。较大的商业出版社称，一种专著头三年平均卖出不到 200 册，较大的大学出版社为 200 到 400 册；作为对照，社会学家 John Thompson 2005 年的分析显示，专著总销量常常只有 400 到 500 册。精装本平均定价方面，商业出版社为 87.43 英镑或 120.50 美元，大学出版社为 74.80 英镑或 88.14 美元。McCall 文中“大学出版社 50—100 英镑、商业出版社 70—120 英镑”，正是这份报告列出的答复区间。

出书数量上，报告显示 9 家商业出版社中有 8 家比 2015 年出得更多，最大的几家都选了“多得多”；15 家大学出版社中有 11 家增加，增长主要来自年营业额低于 100 万英镑的小型大学出版社，较大的大学出版社持平或减少。McCall 概括为“所有商业出版社都在多出书”，比原始数据说得略满。她的解释是：本世纪初出版社报告的单种平均销量还以千册计，如今只剩一两百册，出版社便用更多品种和更高单价维持收入；她还引用 Thompson 2005 年的提醒，品种过多会让重要的书淹没其中，也加重学者的发表压力。需要注意，这份报告的数据都是出版社自报，报告也说明定价部分只提供定性观察。

图书馆电子书的许可与价格

专著的主要买家是图书馆。牛津调查估计，纸本专著销量中约有一半到四分之三卖给机构图书馆。电子版已近乎普及，25 家出版社中有 21 家的新书全部出电子版，发行主要经过 EBSCO、ProQuest 等聚合平台和出版社自己的图书包。至于单本电子书怎么定价，42% 的受访者说与纸本同价：大多数大学出版社以平装本价格为基准，商业出版社中有 3 家与纸本同价、2 家更便宜、3 家按纸本的 80%、1 家按 90%。按出版社的说法，一本电子书并不比纸书贵。

图书馆员看到的是另一组数字。2020 年，一批英国学术图书馆员、研究者和学生发起 #ebookSOS 运动，致信英国议会教育特别委员会主席，要求调查学术出版社的电子书定价与许可。公开信写道：按英国版权法，大学图书馆不能像个人那样买电子书，必须购买面向机构的许可版本；这种版本“几乎总是更贵”，单用户许可常常是同一本纸书的十倍；当年有两家知名出版社未经预告，把单用户电子书价格提高了 200% 以上；出版社还会撤回已购许可，或改为每年续费。运动 2021 年发布的作者指南举了两个例子：一本 Kindle 版售价 33.49 英镑的书，3 用户机构许可要 650 英镑；一本纸本售价 51.99 英镑的书，3 用户许可要 1,050 英镑。这些例子由图书馆员众包收集，带有倡议立场；教育特别委员会最终没有立案调查。

差价主要来自许可的计价方式。约克圣约翰大学图书馆 2020 年的说明列出了常见选项：允许任意人数同时阅读、可完整下载的无 DRM 许可通常最贵，价格是纸本的许多倍；按次数计费的许可一次买下每年 200 到 400 次登录；限制同时在线人数的许可（常见 1 人或 3 人），大致按纸本价格乘以用户数收费。也就是说，机构许可按“多少人能同时读、能读多久”计价，而不是按一本实体书计价。纸书买下即归图书馆所有，出版社无法收回；版权法又不允许学校扫描整本纸书供远程阅读，图书馆需要电子版时几乎没有替代选项。两边的数字未必互相矛盾：出版社调查问的是单本电子书的标价，图书馆员举的多是多用户机构许可。但公开信也说单用户许可常达纸本十倍，与出版社自报的定价并不一致，现有资料无法判断哪一方更有代表性。

这些成本最终落到读者和作者身上。公开信说，疫情期间图书馆只能采购电子书，不少教师不得不按“哪些书有电子版、买得起”来设计课程阅读书目。#ebookSOS 的指南建议作者签约前问清出版社：图书馆能否单独购买电子版，采用单用户还是多用户许可，一次买断还是年度订阅；如果条件不理想，可以换出版社或选择开放获取。McCall 的文章没有讨论图书馆电子书价格，这一节依据的是图书馆一方的资料。

按需印刷与纸本

电子书普及后，纸本并没有消失。牛津调查中，除一家外，所有出版社都打算为全部新书出纸本；大多数商业和大学出版社表示，超过 75% 的纸本销量来自按需印刷或超短版数字印刷。按需印刷让出版社不必预估首印数、不必囤货，书也就不必绝版，这对销售周期很长的人文社科图书尤其重要。McCall 说，LSE Press 可以按单笔订单印书，不需要大批量印刷和仓储，从而减少碳足迹；她没有给出排放数据，这是出版方对自身做法的描述。

调查也记录了保留意见。一家商业出版社认为，按需印刷的质量仍不如传统印刷，不适合依赖图片的学科，作者也普遍不喜欢。一家大学出版社则说，纸本收入在下降，电子书收入虽有增长，却远不足以弥补。

开放获取专著的付费模式与争议

McCall 认为，公共资助的研究理应免费开放，期刊论文如此，图书也应如此。不过她写道，英国和欧洲针对图书的开放获取强制要求及配套基础设施仍“悬而未决”。就英国研究与创新署（UKRI）而言，规则已经生效：2024 年 1 月 1 日及以后出版、需要致谢 UKRI 资助的专著、书章和编著，须在出版后 12 个月内通过出版平台、出版社网站或机构库免费开放，并采用知识共享许可（首选 CC BY）。合同在 2024 年前签订、唯一合适的出版社无法提供合规选项、仅由培训资助支持、第三方材料无法取得授权等情形可以豁免。

最直接的付费方式是图书出版费（BPC），由作者或其资助方支付。以施普林格·自然为例，其官网列出的开放获取专著 BPC 起价为 12,905 欧元、14,875 美元或 10,938 英镑，不含增值税。McCall 指出，BPC 远高于期刊的论文处理费，钱从哪里来很成问题，压力最大的是经费不足机构、中低收入国家的学者，以及人文社科学者。

过去十年出现了不向作者收费的做法。一类是依托大学图书馆的开放获取出版社，McCall 举了 LSE Press、UCL Press 和哈德斯菲尔德大学出版社，图书馆把部分预算转来支持开放出版。另一类是图书馆集体出资。CEU Press 的 Opening the Future 计划让图书馆每年缴纳会费，换取一批旧书无 DRM、不限人数的访问权，满三年后永久保留；会费只用于以开放获取方式出版新书，作者不必筹措 BPC，攒够一本书的费用就出一本。McCall 本人为 CEU Press 组稿，但这篇文章没有提到该计划。

Knowledge Unlatched（KU）是图书馆集体出资模式中最知名、争议也最多的一家。它由 Frances Pinter 于 2012 年创立，让各国图书馆共同出资，把学术书刊转为开放获取。2018 年，曾在 KU 工作的 Marcel Knöchelmann 在 LSE Impact Blog 撰文批评：KU 已从英国的社区利益公司转为德国有限公司，由咨询公司 fullstopp 全资持有，这一变化几乎没有公开说明；而 fullstopp 同时受聘为英国开放获取政策收集和分析数据，存在利益冲突。2021 年 Wiley 收购 KU 后，开放图书项目 COPIM 发表声明，认为大型商业公司收购开放获取基础设施，会威胁由研究社区拥有和治理的原则。2025 年 6 月 26 日，非营利出版机构 Annual Reviews 宣布与 Wiley 达成协议接手 KU，称其“回归非营利”，团队和项目保持不变。

OAPEN 走的是另一条路：它不资助出版，而是提供非营利的托管与传播基础设施。OAPEN 运营开放图书库 OAPEN Library，并与 OpenEdition 合作运营开放获取图书目录 DOAB。按官网收费表，出版社每上传一种当年新书一次性交 10 欧元，往年书每种每年 2 欧元，年费最低 175 欧元；如果出版社所属的图书馆或机构正在资助 OAPEN，或书目已有资助方协议，费用免除。DOAB 对出版社免费，但要求外部同行评议、开放许可，且至少有 3 种开放获取图书。牛津调查中，也有出版社提到通过 OAPEN 发行开放获取专著。

McCall 的结论偏乐观：按需印刷降低了纸书的环境成本，开放获取让读者的花费“完全消失”，不向作者收费的模式也在出现，她因此设问，学术图书出版是否正走向更包容、更平等。读者端的价格确实可以降为零，但出版成本仍在，只是改由作者、资助方或图书馆承担。BPC 能否负担、集体出资的平台由谁治理，正是开放获取专著仍在争论的问题。

参考文献

1. McCall, J. (2026, October 21). From print to digital and back again – Why the cost of academic books keeps changing. LSE Impact Blog.

2. Amsterdam University Press. Jen McCall.

3. Maron, N. L., Mulhern, C., Rossman, D., & Schmelzinger, K. (2016, February 5). The Costs of Publishing Monographs: Toward a Transparent Methodology. Ithaka S+R.

4. Shaw, P., Phillips, A., & Bajo Gutiérrez, M. (2021, October). Arts, Humanities and Social Sciences Monographs: A Report on Publishing Trends. Oxford International Centre for Publishing, Oxford Brookes University.

5. Shaw, P., Phillips, A., & Bajo Gutiérrez, M. (2022). The Death of the Monograph?. Publishing Research Quarterly, 38(2), 382–395.

6. #ebookSOS. (2020). Original Open Letter. Campaign to investigate the academic ebook market.

7. #ebookSOS. (2021, May 20). Can my students read my books? Guidance for academics on negotiating contracts with publishers.

8. York St John University. (2020, May 12). Lobbying for fairer ebook access. Information in the Curriculum.

9. UK Research and Innovation. UK Research and Innovation open access policy.

10. UK Research and Innovation. Making your monograph, book chapter or edited collection open access.

11. Springer Nature. Open access books pricing.

12. CEU Press. Opening the Future: About.

13. Knöchelmann, M. (2018, October 3). Knowledge Unlatched, failed transparency, and the commercialisation of open access book publishing. LSE Impact Blog.

14. COPIM. (2021, December 15). Copim statement on the corporate acquisition of OA infrastructure.

15. Annual Reviews. (2025, June 26). Knowledge Unlatched Finds a New Home with Annual Reviews.

16. OAPEN. Join the OAPEN Library.

17. DOAB. Join DOAB: Requirements and Application.

18. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

19. 信息同步发表于恩特学术，智能时代的学者社区

本期三项研究于 2026 年 10 月 14 日至 15 日正式发表，相关报道集中出现在 10 月 21 日。美国国家癌症研究所用 46 万人的队列检验超加工食品与结直肠癌的关联，华威大学根据光谱推算白矮星在人眼中的颜色，微软研究院等机构的团队用机器学习校正 3 至 4 周后的天气预报。三项结果都有明确的适用边界。

天狼星 A 与其白矮星伴星天狼星 B（右侧小亮点）的艺术想象图，并非实拍。天狼星 B 温度很高、呈蓝白色；正文提到的绿色、粉色白矮星是较冷、大气成分特殊的少数个例。图：NASA、ESA 与 G. Bacon（STScI），公有领域，来源 Wikimedia Commons。

超加工食品总量与结直肠癌未见关联

这项研究由美国国家癌症研究所（NCI）Erikka Loftfield 团队完成，2026 年 10 月 15 日发表于《PLOS Medicine》。数据来自 NIH-AARP 饮食与健康研究：461,682 名在 1995—1996 年入组、当时 50 至 71 岁且未患癌的美国成年人，入组时填写了一份含 124 个条目的食物频率问卷。研究者按 Nova 分类体系把问卷中的食物归入超加工食品等类别，随访至 2018 年，中位随访 18.8 年，期间共确诊 10,075 例结直肠腺癌。

按超加工食品摄入量（每 1000 千卡饮食中的克数）把参与者分成五组，最高组相对最低组的结直肠癌风险比为 0.97（95% 置信区间 0.91–1.03），总体上没有观察到关联。拆开到具体食物，方向并不一致：面包、冷冻甜点与奶类饮品、早餐谷物摄入较多，与较低的发病率相关；重组肉类和鱼类制品摄入较多，则与较高的发病率相关（风险比 1.10）。在这个人群中，82.8% 的全谷物和 74.3% 的加工肉来自超加工食品。作者认为，按营养成分看，结果与现行的结直肠癌预防建议一致：全谷物、膳食纤维、奶制品和钙摄入较多，肉类摄入较少，对应较低的发病率。模型还估计，把 10% 重量的超加工食品换成最少加工食品，与结直肠癌发病率低 2% 相关（风险比 0.98）。

这是一项观察性队列研究，只能说明关联，不能证明某类食品会导致或预防结直肠癌，也不能据此认为超加工食品整体无害；它只分析了结直肠癌，不涉及其他疾病。饮食只在入组时调查过一次，而此后二十多年里，参与者的饮食习惯和市面上的超加工食品都在变化。问卷原本为估算营养素而设计，分不清加糖酸奶和原味酸奶这类加工程度差异。参与者以年长的美国白人为主，结论未必适用于更年轻或族裔更多样的人群。

少数白矮星在人眼中呈绿色或粉色

华威大学 Mark Hollands、Boris Gänsicke、Pier-Emmanuel Tremblay 与基尔大学 Detlev Koester 的论文发表在英国皇家天文学会期刊《RAS Techniques and Instruments》，华威大学于 2026 年 10 月 15 日发布新闻稿，《自然》10 月 21 日刊发研究亮点。白矮星是类太阳恒星演化末期留下的致密残骸。普通恒星的颜色基本由温度决定，从橙到白再到淡蓝；而最冷的白矮星大气密度可达每立方厘米约 1 克，如果其中含有碳、钙、钠等元素，吸收谱线会被极度展宽，光谱明显偏离黑体，颜色也随之改变。

没有哪颗白矮星近到能让人直接看清它的圆盘颜色，团队的做法是把已有光谱和大气模型输入人眼色觉模型，计算“如果离得足够近，人眼会看到什么颜色”。结果显示，富碳白矮星多呈粉色或紫色，吸积了小行星、彗星碎屑的偏黄色，较冷的氢氦混合大气偏青色。约 4000 摄氏度的 WD J1330+6435 吸积了岩质物质，大气中含钙、锂、钠，在模型中呈黄绿色；作者表示，据他们所知，此前没有任何恒星被可信地报告为绿色。距地球 48 光年的 WD J1011+2845 则因对流把核心的碳带到表面，光几乎全部落在 600 纳米以外的波段，呈深鲑粉色。

颜色异常并不常见。在距地球 20 秒差距（约 65 光年）内的 151 颗白矮星中，有 5 颗颜色特殊（2 颗偏黄、3 颗偏粉），约占三十分之一；其余 146 颗的中位相关色温约 6800 K，人眼看来就是白色。作者指出，常见的“白矮星偏蓝”印象来自观测选择效应：更热、更蓝的白矮星更亮，在按亮度筛选的巡天里占比偏高。需要注意，这些颜色是由光谱和模型计算出的感知颜色，并非直接拍到的照片；“三十分之一”也只来自 151 颗近邻样本。论文刊于侧重方法与仪器的期刊，核心贡献是一套从光谱推算恒星可见颜色的方法。

机器学习校正三四周后的天气预报

次季节预报指提前 2 至 6 周的天气预报，对农业、水资源、能源调度和防灾都有用，但模型误差会随时间累积，预报技巧在两周之后急剧下降。2026 年 10 月 14 日，Hannah Guan、Soukayna Mouatadid、Lester Mackey 等人在《自然》发表开放获取论文，提出“概率偏差校正”（probabilistic bias correction，PBC）框架；《自然》于 10 月 21 日刊发了该研究的简报。

位于意大利博洛尼亚的欧洲中期天气预报中心（ECMWF）园区航拍。论文用 PBC 校正的正是 ECMWF 的动力集合预报和 AI 预报系统。摄影：Reddalo，CC BY-SA 4.0，来源 Wikimedia Commons。

PBC 不是新的天气模型，而是一种后处理方法：它读取任意动力模型或 AI 模型的集合预报，结合该模型的历史预报、过去的观测和气候态，学习修正预报概率分布中的系统偏差。具体由两个轻量模型并行完成：Debias++ 按地点、日期和分位数修正偏差，Persistence++ 融入近期观测和季节效应，两路结果再合并。评估对象是第 3 周（第 19–25 天）和第 4 周（第 26–32 天）的陆地 2 米气温、陆地降水和平均海平面气压，以 ERA5 再分析资料为真值，用排序概率技巧评分（RPSS）衡量相对气候平均的改进。

在 2016—2024 年的回报检验中，用 PBC 校正欧洲中期天气预报中心（ECMWF）的动力集合预报，相比该中心业务上使用的去偏方法，在 91% 的气压、92% 的气温和 98% 的降水预测目标上提高了技巧；用于 ECMWF 的 AI 预报系统 AIFS-SUBS 时，2025 年的平均技巧翻倍。团队以“MicroDuet”为名参加 ECMWF 2025 年的实时竞赛 AI Weather Quest，在 9—11 月赛季的所有变量和预报时效上得分最高，超过六个业务预报中心的动力模型、它们的多模式集合、ECMWF 的 AI 模型和全球 34 支队伍。

这些提升要放在很低的起点上理解。RPSS 为 1 代表完美预报，为 0 相当于按往年平均来猜；论文报告的基线技巧大多在 0.03 至 0.19 之间，AIFS-SUBS 翻倍前的平均技巧只有 0.03。也就是说，校正后的预报更常胜过气候平均，但离准确预知三四周后的天气仍有很大距离。PBC 依赖输入模型的历史预报和 ERA5 资料；实时竞赛成绩来自 2025 年的赛季，论文提到的 2025 年 12 月美国东部寒潮提前预报也只是单个案例。

参考文献

1. Abar L, O’Connell CP, Hong HG, et al. Associations of food processing and dietary risk factors with colorectal cancer incidence in the NIH-AARP Diet and Health Study: A cohort study. PLOS Medicine, 2026, 23(10): e1005251. 发表于 2026-10-15。doi:10.1371/journal.pmed.1005251

2. PLOS. Massive study of 460,000 people challenges ultra-processed food cancer fears. ScienceDaily, 2026-10-21. 链接

3. Hollands MA, Gänsicke BT, Tremblay P-E, Koester D. Any colour you like: the diverse chromaticities of white dwarfs. RAS Techniques and Instruments, 2026, 5: rzag069. doi:10.1093/rasti/rzag069

4. University of Warwick. Green, pink and purple: astronomers reveal the surprising true colours of white dwarf stars. 2026-10-15. 链接

5. Surprise! White dwarf stars come in a rainbow of colours. Nature Research Highlight, 2026-10-21. 链接

6. Guan H, Mouatadid S, Orenstein P, et al. Advancing subseasonal forecasting with machine learning. Nature, 2026, 658: 951–957. 发表于 2026-10-14。doi:10.1038/s41586-026-11126-x

7. An AI tool improves weather forecasts up to a month ahead. Nature Research Briefing, 2026-10-21. 链接

8. Associations of food processing and dietary risk factors with colorectal cancer incidence in the NIH-AARP Diet and Health Study: A cohort study

9. Advancing subseasonal forecasting with machine learning

10. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

11. 信息同步发表于恩特学术，智能时代的学者社区

2026 年 10 月 20 日，元科学机构 Research on Research Institute（RoRI）发布工作论文，评估德国大众汽车基金会为期两年的“分布式同行评审”试点：申请人互相评审同一轮的申请书，专家小组同时独立评审。评估显示，申请人接受度较高，每位评审人的负担更轻；但两条路线选中的项目重合很少，评审专业性和策略性打分仍有争议。

申请人互评与专家评审的并行流程

分布式同行评审（Distributed Peer Review，下称 DPR）的规则很简单：向某一轮资助提交申请，就同时承诺为同一轮的其他申请打分、写评语，资助方再按汇总分数排序。它不再依靠少数专家集中阅读全部申请，而是把评审工作分摊给所有申请人。

大众汽车基金会（VolkswagenStiftung）是德国的私立资助机构。它自 2024 年起在人文与文化研究资助计划“Open Up – New Research Spaces for the Humanities and Cultural Studies”（德文名 Aufbruch）中试用 DPR，同时保留原有的专家小组评审，两条路线并行。按基金会公开的流程，申请人提交匿名短申请书，并承诺评审约 5 份他人申请；经过形式审查和利益冲突检查后，申请人用快速评估表给分到的申请打分、写评语，按得分产生约 10 项资助推荐。另一条路线中，基金会工作人员先按资助标准内部初筛，再交给跨学科专家小组书面评审并开会讨论，同样提出约 10 项推荐。两路推荐都交基金会执行董事会和 14 人的理事会（Kuratorium）决定；申请人无论结果如何，都会收到 DPR 的书面反馈。

首轮（2024 年）的细节见已发表的论文：140 份申请全部同时走两条路线，323 名申请人和共同申请人各评审 4 到 5 份；分配算法避开同一机构，优先匹配相近学科，每份申请平均获得 9.92 份评审，排序采用截尾均值。专家路线由工作人员在每个学科先筛掉约一半申请，再由 8 名小组成员评审。基金会承诺，两条路线选中的项目都给予资助。RoRI 这次的发布稿说，2024 和 2025 两轮共有 301 份申请参加，每个项目获得 9 到 10 份独立评审，去掉最高分和最低分后再取平均。

两年评估的主要发现

新工作论文题为《Distributed Peer Review at the Volkswagen Foundation》，作者为 Anna Butters、Melanie Benson Marshall、Stephen Pinfield、Tom Stafford、Alexander Bondarenko、Robert Nuske、Pierre Schwidlinski 和 Hanna Denecke，属于 RoRI 与大众汽车基金会合作的 AFIRE（研究资助实验加速器）项目，后四位作者来自基金会。两年合并的数字目前引自 RoRI 10 月 20 日的发布稿。首轮评估此前于 2025 年 8 月以 RoRI 第 17 号工作论文发布，2026 年 9 月 12 日发表在期刊《Research Integrity and Peer Review》。首轮研究采用混合方法：分析全部评审打分，向申请人发放评审前预期问卷和决定后反馈问卷，访谈 20 名申请人、小组成员和基金会工作人员，用自助法（bootstrap）检验资助决定的稳定性，用混合效应模型分析评审人之间的一致性。

最受关注的是两条路线的重合度。2024 年两路共资助 18 个项目，只有 3 个同时被两路选中；2025 年重合的只有 1 个（发布稿未给出当年资助总数）。首轮论文也提供了另一面：DPR 选中的 10 个项目中，9 个进入了专家路线的短名单，8 个在小组会议上被讨论。这说明两路对哪些申请值得进入候选范围看法较接近，分歧主要出现在最后取舍。稳定性方面，研究团队用模拟估计，如果把 DPR 过程重来一遍，约 56% 的入选项目会再次入选；首轮的 500 次自助抽样平均为 10 个中保留 5.49 个。论文的解释是评审人之间差异大：分数方差中归于评审人差异的部分（20.0%）比归于申请书差异的部分（8.9%）还多。

负担方面，发布稿称，DPR 评审人在每份分到的申请上花的时间平均不到专家小组成员的一半。首轮论文把账算得更细：DPR 的总评审时长更多，但由 323 人分担，8 名小组成员每人花在评审上的时间约为申请人评审者的 2.5 倍；一份申请在 DPR 中累计获得的评审时间中位数为 12.33 小时，在专家路线中则是 45 分钟到 4 小时，取决于申请走到哪个阶段。

评审质量没有单一指标。发布稿称，评审人与申请书的学科是否一致、评审人以前有无评审经验，与打分几乎没有关联；首轮中学科以外的评审人给分还略高一些。评审标准上，DPR 评审人两年都最看重“原创性”，专家小组对各项标准的侧重在两轮之间变化很大。申请人对收到的评审看法较分散：首轮反馈问卷中，只有 51% 认为评审人的专业水平好；63.4% 的评审被认为有建设性，22.3% 被认为没有建设性。

申请人总体愿意再参加。根据发布稿引用的可选问卷，愿意参加未来 DPR 资助轮次的比例，获资助者为 82.8%（2024 年）和 94.5%（2025 年），未获资助者为 59.6% 和 71.7%。问卷自愿填写，首轮中获资助者回复更积极。不同职业阶段的态度也不一样：早期职业研究者欣赏自己得到了通常只属于资深学者的评审机会，也抱怨工作量大，担心自己和别人的专业水平不够。各方都提到对评审专业性、申请人工作量和策略性打分的担心。首轮中有少数申请人给出的分数持续远低于平均值，多数被截尾去掉，但论文承认无法排除其他形式的策略行为；由于申请主题差异大，这次试点没有采用把评审人与其竞争对手分到不同组的防范设计。

天文台与英国资助方的做法与争议

DPR 最早用于分配望远镜观测时间，方案由 Merrifield 和 Saari 2009 年提出。欧洲南方天文台（ESO）在 2018 年的第 103 观测周期做过一次志愿试验：172 名项目负责人参加，167 人按时完成评审，每份申请由 8 名同行评审，结果不影响实际时间分配。2020 年 4 月 6 日发表在《自然·天文》的论文报告，DPR 的自洽程度与传统评审委员会的会前评审在统计上相同；用机器学习匹配评审人时，排除“对该课题毫无了解”评审人的成功率约 80%。

ESO 从第 110 观测周期起正式采用 DPR：申请总时长不足 16 小时的项目进入 DPR，约占申请数的一半，只占申请时间的 15.6%；更大的项目仍由评审委员会和专家小组评审。每名负责人须评审 10 份同行申请，逾期不交，自己的申请会被自动拒绝。ESO 的说明称，原有小组人数少、负担重，用户对评审反馈的不满意率约 30%，这是引入 DPR 的原因之一。

英国的做法由英国科学、创新与技术部（DSIT）和 UKRI 合设的元科学单元推动。该单元 2025 年报告了一次在 AI 元科学早期职业研究员资助中进行的试验：约 100 份申请竞争约 18 项、共 400 万英镑的资助，每位申请人评审 8 到 10 份，不交评审，自己的申请就出局。评估和决定平均用时 2.2 个月，比 UKRI 常规资助快 53%–65%；84% 的受访申请人认为这个过程扩展了自己对领域的了解。评审人从 3 名增加到 9 名时，评分一致性指标（组内相关系数）从 0.4 升至 0.7。此后，BBSRC 在 2025/26 年度先锋奖中试用 DPR，同时并行保留专家小组；UKRI 的 AIRR 创新者通道则把评审人分配到与自己不同的申请池，使其不给直接竞争者打分。

争议集中在几处。最常提到的是“博弈”：评审人可能压低竞争者分数来抬高自己的相对排名，或与他人串通互打高分。英国元科学单元承认，以往试验大多靠指南、匿名和排除威胁等“软约束”，并为此设计了分池分配。它还列出其他局限：申请人负担加重；申请人未必达到资助机构遴选专家的水平；取多人平均分可能不利于有争议但优秀的申请；申请少于约 20 份时难以运行；只让申请人评审，会排除没有申请资格的国际专家或产业、政策方面的评审人。也有申请人反映，反复强调防博弈，反而让人不敢给很弱的申请打低分。更早的美国国家科学基金会（NSF）试验采用加分机制，曾引发评审趋向共识的担心。

报告结论与各方解读

报告本身的结论比较克制。首轮论文认为，DPR 在跨学科资助中可行，能缩短决定时间、给申请人更多反馈，也有助于评审“民主化”；但资助方要接受取舍，DPR 选出的结果未必与现有制度相同。两年评估的发布稿同样把高满意度、较轻的个人负担，与决定重合少、稳定性中等并列写出。

资助方的表述更积极。大众汽车基金会 2025 年 8 月 28 日介绍首轮结果时，用了“质量相当”“一致性高”等说法，依据是 DPR 推荐的 10 项中有 8 项进入专家路线的最后讨论阶段，并称个人评审时间减少约 60%，计入小组会议则减少达 87%。这些数字与论文并不矛盾，只是比较口径不同：如果看最终资助名单，两路只重合 3 项。

读这项研究还要注意两点。其一，研究由大众汽车基金会委托，四位作者是基金会员工，基金会也是 RoRI 第二期的资助方之一；首轮论文说明，访谈材料由与基金会无关的研究者编码，基金会作者没有接触原始访谈记录，但这只能部分回应独立性问题。其二，两路结果重合少，说明两种方法选出了不同的项目，并不能说明哪一种更“对”：资助申请没有事后可以核对的标准答案。对其他资助机构而言，这项试点提供的是关于代价和收益的实际运行数据，还不是 DPR 可以直接替代专家评审的证据。

参考文献

1. Research on Research Institute. New RoRI study evaluates two-year trial of Distributed Peer Review (DPR) at the Volkswagen Foundation. 2026-10-20.

2. Butters A, Benson Marshall M, Pinfield S, et al. Applicants as reviewers: a mixed methods evaluation of the risks, benefits, and potential of distributed peer review for grant funding allocations. Research Integrity and Peer Review, 2026-09-12.

3. Research on Research Institute. Applicants as Reviewers: Evaluating the Risks, Benefits, and Potential of Distributed Peer Review for Grant Funding Allocations (RoRI Working Paper No. 17). Figshare, 2025-08-27.

4. VolkswagenStiftung. Distributed Peer Review (DPR): Study Shows Potential for Faster and More Democratic Review. 2025-08-28.

5. VolkswagenStiftung. Distributed Peer Review (DPR) – so macht es die VolkswagenStiftung.

6. Kerzendorf WE, Patat F, Bordelon D, et al. Distributed peer review enhanced with natural language processing and machine learning. Nature Astronomy, 2020-04-06.

7. European Southern Observatory. DPR Rules and Guidelines.

8. European Southern Observatory. ESO Period 110 Proposal Submission Statistics.

9. UK Metascience Unit. A Year in Metascience (2025). 2025.

10. Pearson H. How to speed up peer review: make applicants mark one another. Nature, 2025-07-01.

11. BBSRC. Pioneer Awards 2025/26: DPR guidance. 2025.

12. UKRI. Additional Information Distributed Peer Review - rules and guidelines (AIRR). 2025.

13. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

14. 信息同步发表于恩特学术，智能时代的学者社区

本周 ScienceDaily 集中刊出三篇高校新闻稿：他汀类药物为何会伤及肌肉，宇宙诞生后最初几分钟生成了多少氦，以及侏罗纪海洋里一种异常粗壮的箭石。回到原始论文核对后发现，三项研究都早于新闻稿发表，最早的一篇刊于 2025 年 11 月。下文逐条说明各自测了什么、得出什么，以及结论停在哪一步。

怀俄明州侏罗纪地层中常见的箭石化石，鞘呈细长子弹形；本文介绍的 Wyoteuthis linsterorum 鞘要粗得多，图中并非该新种。图源：Wilson44691，Wikimedia Commons，公有领域。

他汀如何打开肌肉钙通道

他汀通过抑制 HMG-CoA 还原酶降低胆固醇，全球使用者超过 2 亿。它最常见的不良反应集中在骨骼肌：轻则酸痛乏力，重则横纹肌溶解，并可能导致肾衰竭。据论文引述，严重肌肉症状见于 0.1%–0.5% 的使用者；观察性研究报告的一般肌痛比例可达 10%–25%，但这一数字争议很大。此前已有研究发现，骨骼肌钙释放通道 RyR1 的基因变异与他汀不耐受相关，可他汀是直接作用于 RyR1，还是经由其他蛋白或信号通路间接影响它，一直没有定论。

不列颠哥伦比亚大学（UBC）与威斯康星大学麦迪逊分校的团队用冷冻电镜解析了兔骨骼肌 RyR1 在有无阿托伐他汀时的结构。论文于 2025 年 11 月 20 日发表在《自然·通讯》（Nature Communications），UBC 的新闻稿则在 2026 年 10 月 20 日由 ScienceDaily 刊出。对照样品中的通道全部处于关闭状态；加入阿托伐他汀后，约 64% 的通道颗粒呈开放构象。结构显示，RyR1 的每个亚基可结合三个阿托伐他汀分子，它们挤在伪电压感受结构域形成的裂隙里，彼此之间也有相互作用。结合有先后：通道关闭时，每个亚基先结合一个分子，引起轻微构象变化，使通道更容易打开；另外两个分子随后进入，把这一结构域撑开，带动孔道开放。放到肌细胞里，这意味着钙离子会从肌浆网持续外漏。

作者还把这种结合方式与阿托伐他汀在本来靶点上的结合作了对比：在 HMG-CoA 还原酶中，起关键作用的亲水基团深埋在活性位点内；而结合 RyR1 主要依靠分子的疏水部分。据此，他们提出可以改造疏水基团，在保留降脂作用的同时减少对 RyR1 的结合，作为设计新他汀的方向。

这项研究的边界也很清楚。它是体外结构实验，只检验了阿托伐他汀；为了得到清晰的结构，实验使用了远超临床水平的饱和浓度。论文写明，肌细胞内能达到的浓度目前未知，每日 80 毫克的大剂量下血浆浓度约 334 nM；作者依据既往结合实验测得的 300–400 nM 半数有效浓度，认为这一机制具有临床相关性，但这仍是推断。辛伐他汀、普伐他汀的疏水部分结构差异较大，能否以同样方式结合尚不清楚。改造他汀目前只是设计思路，还没有新药或临床数据。日常所说的“他汀肌痛”中有多少确由药物引起，这项研究也不能回答。

原初氦丰度的新测量

大爆炸后最初几分钟，质子和中子合成了氦等轻元素。原初氦的质量分数 Yp 取决于当时的重子密度，也取决于有几类轻粒子参与了早期宇宙的膨胀，因此可以用来检验标准宇宙学和粒子物理标准模型。困难在于，恒星此后不断制造氦，今天观测到的氦里混有后来增加的部分。常规做法是观测一批星系中的电离氢区，再用氦丰度与氧丰度的关系回归外推到零金属丰度。

大双筒望远镜（LBT）原初氦项目在《天体物理学杂志》（The Astrophysical Journal）第 1008 卷发表了五篇系列论文，于 2026 年 9 月 9 日上线，预印本已在同年 1 月 29 日提交 arXiv；明尼苏达大学的新闻稿于 10 月 20 日刊出。团队用 LBT 的 MODS 光谱仪观测了 54 个贫金属电离氢区，据新闻稿，每个目标同时分析十余条氦谱线和 15 条氢谱线，以识别细小的系统误差。筛选后保留 41 个可靠目标，其中 15 个信噪比高、氧氢比不超过 4×10⁻⁵ 的极低金属丰度目标已接近原初状态，因此可以不依赖外推、直接加权平均。结果为 Yp = 0.2458 ± 0.0013，不确定度约 0.5%。作为对照，该团队 2015 年用回归法得到的值是 0.2449 ± 0.0040，误差约为本次的三倍。新值与依据普朗克卫星重子密度计算的标准核合成预测 0.2467 ± 0.0002 一致。

位于美国亚利桑那州格雷厄姆山的大双筒望远镜（LBT），两面 8.4 米主镜并排安装；LBT 原初氦项目的光谱由它的 MODS 光谱仪获得。图源：NASA，Wikimedia Commons，公有领域。

第五篇论文把新的氦值与氘丰度、宇宙微波背景数据结合。若允许中微子种类数自由变化，得到 Nν = 2.925 ± 0.082，与标准模型的三种中微子相符；若假定种类数不少于三，额外种类的上限为 0.125（95% 置信水平）。

新闻稿所说的“15 个原始星系”是最终参与平均的目标数，整个观测样本有 54 个；“精度提高三倍”是相对作者团队此前的结果。论文也承认，恒星核合成对氦的贡献仍留有残余系统误差。这组结果收紧了对早期宇宙的约束，确认它与现有理论相容，并不是发现了标准模型之外的新粒子。

怀俄明的侏罗纪粗壮箭石

箭石是已灭绝的头足类，与今天的鱿鱼、章鱼有亲缘关系，化石里最常见的是子弹形的内骨骼“鞘”。怀俄明州的 Sundance 组保存了一片晚侏罗世内陆海的沉积，这类化石多到成层堆积。2026 年 9 月 9 日，美国、英国和新西兰的研究者在《古生物学论文》（Papers in Palaeontology）上描述了两件来自该组上部 Redwater 页岩段、属牛津期（约 1.6 亿年前）的异常箭石鞘，命名为新属新种 Wyoteuthis linsterorum。曼彻斯特大学的新闻稿于 10 月 20 日刊出。

两件标本的鞘前端直径约 60 毫米，是目前已知最粗的箭石鞘；据新闻稿，同一地层常见的箭石一般长 5–10 厘米、宽仅 1–2 厘米。研究者结合 CT 扫描和外形细节——鞘的形状、内腔位置与角度、尖端的沟纹——把它归入巨箭石科（Megateuthididae）。这个科在早侏罗世晚期到中侏罗世繁盛，大多在巴通期就已消失，此后只有零星记录。作者因此认为 Wyoteuthis 是该科的孑遗分支，可能源自北美巴柔期的 Brevibelus，并据此提出东北太平洋曾有一处此前未被认识的避难所。论文还指出，文献中同一盆地外形相似的标本其实属于另一个科。

第一件标本由 Burkhard Pohl 在 1990 年代末采集，此后长年存放在藏品抽屉里；第二件由 Cliff Linster 发现，2019 年捐给怀俄明恐龙中心，现被定为正模。证据因此只有两件，而且前端都已压碎或缺失。新闻稿写鞘长约 10 厘米，论文描述的保存长度超过 130 毫米、推测完整长度约 160–175 毫米，这里以论文为准。按 Klug 等人 2024 年的重建比例，作者粗估它连腕全长约 55–60 厘米、外套膜长 30–35 厘米，同时说明参考样本中没有这种短粗鞘型、关键参数也缺失，只能作近似。它为何如此罕见，论文列出了猎物或生境高度专化、主要生活在外海陆架等几种可能；新闻稿中“捕食同域小型箭石”的说法，同样是作者的推测。

参考文献

1. Molinarolo S, Valdivia CR, Valdivia HH, Van Petegem F. Cryo-electron microscopy reveals sequential binding and activation of Ryanodine Receptors by statin triplets. Nature Communications, 2025, 16: 11508. doi:10.1038/s41467-025-66522-0

2. University of British Columbia. Scientists finally uncover why statins can cause muscle pain. ScienceDaily, 2026-10-20. https://www.sciencedaily.com/releases/2026/10/261019093447.htm

3. Skillman ED, Pogge RW, Aver E, et al. The LBT Yp Project. I. An Improved Determination of the Primordial Helium Abundance—Project Description, Sample Selection, Observations, and Methodology. The Astrophysical Journal, 2026, 1008(2): 237. doi:10.3847/1538-4357/ae879f

4. Aver E, Skillman ED, Pogge RW, et al. The LBT Yp Project. IV. A New Value of the Primordial Helium Abundance. The Astrophysical Journal, 2026, 1008(2): 240. doi:10.3847/1538-4357/ae879b

5. Yeh T-H, et al. The LBT Yp Project. V. Cosmological Implications of a New Determination of Primordial 4He. The Astrophysical Journal, 2026, 1008(2): 241. doi:10.3847/1538-4357/ae879c

6. University of Minnesota. Astronomers uncover new secrets of the Universe’s first five minutes. ScienceDaily, 2026-10-20. https://www.sciencedaily.com/releases/2026/10/261019093442.htm

7. Ippolitov AP, Lippincott JL, Wahl WR, Lomax DR. ‘The big chunky belemnite’: a new relict megateuthidid from the Oxfordian (Late Jurassic) of Wyoming, USA, and its place in the evolutionary history of the group. Papers in Palaeontology, 2026, 12(5). doi:10.1002/spp2.70123

8. University of Manchester. Scientists discover a bizarre Jurassic “squid” unlike anything ever seen. ScienceDaily, 2026-10-20. https://www.sciencedaily.com/releases/2026/10/261019093434.htm

9. Cryo-electron microscopy reveals sequential binding and activation of Ryanodine Receptors by statin triplets

10. The LBT Yp Project. I. An Improved Determination of the Primordial Helium Abundance—Project Description, Sample Selection, Observations, and Methodology

11. The LBT Yp Project. IV. A New Value of the Primordial Helium Abundance

12. The LBT Yp Project. V. Cosmological Implications of a New Determination of Primordial 4He

13. ‘The big chunky belemnite’: a new relict megateuthidid from the Oxfordian (Late Jurassic) of Wyoming, USA, and its place in the evolutionary history of the group

14. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

15. 信息同步发表于恩特学术，智能时代的学者社区

Hugging Face Datasets 是 Hugging Face 维护的 Python 数据集加载与处理库，GitHub 仓库为 huggingface/datasets，以 Apache-2.0 许可证开源。2026 年 10 月 5 日（UTC）发布的 5.1.0 版新增 FASTA、FASTQ、GenBank、PDB 和 mmCIF 五种生物数据格式的加载支持，以及 BioSequence、BioStructure 两种特征类型。本文为资料核验，未安装实测。

肌红蛋白三维结构的飘带图，作者依据蛋白质数据库（PDB）条目绘制；PDB 与 mmCIF 正是 5.1.0 新增支持的结构文件格式。图片：AzaToth，来源 Wikimedia Commons（File:Myoglobin.png），公有领域。

项目定位、许可证与安装

Datasets 的核心入口是 load_dataset()：从 Hugging Face Hub 上的数据集仓库或本地文件读入数据，得到以 Apache Arrow 为存储后端的数据集对象，再用 map()、filter()、shuffle() 等方法做预处理；放不进内存的大数据可以用 IterableDataset 流式读取，处理结果能用 push_to_hub() 上传回 Hub。可选依赖里列有 PyTorch、TensorFlow 和 JAX，方便把数据接进这些框架训练。PyPI 分类标注的目标用户包括开发者、教育和科研人员。

截至 2026 年 10 月 20 日核验，仓库根目录 LICENSE 为 Apache License 2.0 全文，5.1.0 标签下 setup.py 的 license 字段写作“Apache 2.0”，分类标签为 OSI 认可的 Apache Software License。这份许可只管库的代码。通过 load_dataset() 取得的数据集各有来源和使用条款，Apache-2.0 不会延伸到数据本身，引用或再分发前仍要逐个查看数据集说明。

5.1.0 要求 Python 3.10 及以上，包名为 datasets，基础安装用 pip install datasets。生物格式的特征解码依赖 Biopython，它被声明为 bio 可选依赖（biopython>=1.80），可用 pip install "datasets[bio]" 一并安装。以上命令依据 5.1.0 标签下的 setup.py 整理，本文没有在本机执行。

5.1.0 的更新内容

GitHub Releases 显示，5.1.0 由维护者 lhoestq 于 2026 年 10 月 5 日 15:39（UTC）发布，上一版本是 5.0.1，截至核验日仍是最新版本。更新说明把新增的数据格式分为三类：Harbor，用于强化学习环境的基准数据；Vortex，一种高性能列式文件格式；生物格式，用于存放 DNA 序列、蛋白质链和三维分子结构。数据集功能方面，可迭代数据集的 split_dataset_by_node 增加了 strategy 参数，IterableDataset.push_to_hub 允许设置比数据集现有分片更多的 num_shards。

生物格式部分由贡献者 behroozazarkhalili 的一组 PR 构成。依照已合并 PR 的说明，FASTA 文件按“一条序列记录一行”读入，用基于 Heng Li 的 readfq 改写的纯 Python 解析器得到 id、description、sequence 三列，不需要额外依赖，支持流式读取和 gzip、bzip2、xz 压缩文件；每行另有一个 record 列，原样保存这条记录的字节。FASTQ 加载器与 FASTA 的实现高度相近，GenBank 带注释的序列记录也归入同一种序列类型。PDB 和 mmCIF 则仿照图像文件夹的加载方式，一个结构文件对应一行，structure 列保存整份文件。

两种新特征类型负责把原始字节变成科研人员熟悉的对象。BioSequence 服务 FASTA、FASTQ 和 GenBank，解码结果是 Biopython 的 SeqRecord；BioStructure 服务 PDB 和 mmCIF，解码结果是 Bio.PDB 的 Structure。它们沿用 Audio、Image、Pdf 等已有类型的做法：存储为“字节 + 路径”结构，设置 decode=False 时直接返回原始字节，未安装 Biopython 时解码会报 ImportError。PR 说明拆成两种类型是照着 Biopython 自身 Bio.SeqIO 与 Bio.PDB 的分界，这样调用者拿到的对象类型是确定的。

其余改动以修复为主，其中两项与读取外部数据的安全有关：修复了压缩包路径检查可被同级目录绕过的问题，并禁止 HDF5 文件中的外部链接。5.1.0 的 setup.py 要求 pyarrow 不低于 24.0.0（注释写明为 Vortex 所需）、huggingface_hub 不低于 1.31.0，fsspec 上限放宽到 2026.7.0。

对用 Python 训练序列或结构模型的研究者来说，5.1.0 省掉的是数据进入训练流程前的一段自写脚本。此前在 Datasets 里使用这些格式，需要先自己解析 FASTA，整理成表格或 JSON 再读入；结构数据还要另外接入 PDB、mmCIF 解析工具。现在这些文件可以像文本和图像一样用 load_dataset() 读入，序列直接成为可筛选、可打乱、可划分的列，结构文件以行为单位进入同一套 map()、filter()、训练集与测试集划分和分片流程。需要原生对象时再解码成 Biopython 的 SeqRecord 或 Structure，继续用 Biopython 的工具处理。

适合的研究场景

几类工作最可能受益。一是蛋白质语言模型、基因组模型的训练和微调：大型 FASTA 文件可以压缩存放、流式读取，不必先全部展开到内存。二是按结构文件组织的分类或回归任务，例如以子目录名作为类别标签，或用 metadata.jsonl 给每个结构附上分辨率等属性，这是 PDB 加载 PR 中给出的用法示例。三是数据共享与复现：处理好的数据集可以推送到 Hub 并配上数据集卡片，合作者用 load_dataset() 即可取得同一份数据。已经用 Datasets 管理文本或图像数据的课题组，把生物数据纳入同一套流程的迁移成本较低。

一条 FASTA 记录：以“>”开头的首行写序列名称和说明，其后各行是碱基序列。按 PR #7923 的说明，Datasets 读取时首行第一个词进入 id 列，其余文字进入 description 列，序列各行合并为 sequence 列，整条记录的原始字节另存于 record 列。图片：LarsonGCD，来源 Wikimedia Commons（File:FAM149A Promoter region (FASTA format).png），许可 CC BY-SA 3.0。

局限与注意事项

首先，读得进来不等于能做分析。5.1.0 解决的是文件读取和数据组织，不做测序质量控制、序列比对、注释或结构计算，这些仍要交给专门的生物信息学软件。PDB 和 mmCIF 加载器在开发中一度把文件解析成原子级坐标表，合并前这套自研解析器被移除，改为整份文件存成一行、解码交给 Biopython；想直接得到原子坐标列，需要自己在 map() 里转换。

其次，结果取决于是否安装 Biopython。不安装时，FASTA 仍有解析好的序列列，record 列需要用 columns 去掉或设为 decode=False；PDB 和 mmCIF 只能拿到原始字节。PR 作者还写明一处行为差异：Biopython 的普通 fasta 解析器会把以分号开头的 Pearson 注释行留在序列里，而 sequence 列会去掉这些行，两处得到的序列可能不一致。贡献者自测，用 Biopython 解析 FASTA 的耗时约为内置解析器的 2.1 至 2.2 倍；这是开发者的测量，本文没有复现。

再次，这批功能是第一次进入正式版。同一版本里已经修复了 GenBank 负链多外显子位置区间反转、单独 CR 换行导致解码出错等问题，说明边界情况仍在暴露。升级还会带来依赖变化，pyarrow 不低于 24.0.0 等要求可能与现有环境冲突；用于论文实验时，宜固定版本号并写进方法部分。

想先判断是否合用，可以做一个小规模验收（这是建议，本文未执行）：取一个几百条记录的 FASTA 文件和十来个 PDB 或 mmCIF 文件，分别在安装与未安装 Biopython 的环境里用 load_dataset() 读入，核对记录数、序列长度和链数是否与原文件一致，再检查含注释行、压缩文件和多模型结构的样本是否读对。

参考文献

• Release 5.1.0. huggingface/datasets，GitHub，2026-10-05 发布。
• Releases. huggingface/datasets，GitHub，2026-10-20 核验。
• huggingface/datasets. GitHub，2026-10-20 核验。
• LICENSE（Apache License 2.0）. GitHub，2026-10-20 核验。
• setup.py（5.1.0 标签）. GitHub，2026-10-20 核验。
• PR #8542: add BioSequence and BioStructure decodable features. GitHub，2026-09-10 合并。
• PR #7923: add lightweight FASTA file format support. GitHub，2026-09-11 合并。
• PR #7926: Add lightweight PDB (Protein Data Bank) file support. GitHub，2026-09-11 合并。

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

Docling 是 IBM 苏黎世研究院团队发起的开源文档解析工具，代码采用 MIT 许可证，可把 PDF、Word、LaTeX 和 JATS 论文 XML 等资料转成保留标题层级、阅读顺序与表格结构的 Markdown 或 JSON。最新版 v2.140.0 于 2026 年 10 月 16 日发布。本文为资料核验，未安装实测。

Docling 官方文档中的架构图：文档转换器按格式选用解析后端和处理流水线，转换结果为统一的 DoclingDocument，可再导出、序列化或切分。图片：Docling 项目，来源 docling-project/docling 仓库（docs/assets/docling_arch.png），许可 MIT。

版本、许可与安装

截至 2026 年 10 月 20 日核验，GitHub 仓库 docling-project/docling 未归档，创建于 2024 年 7 月，主要语言为 Python，最近一次推送在 10 月 20 日（UTC）。根目录 LICENSE 是 MIT 许可证，版权声明为“Copyright The Docling Contributors”，GitHub 与 PyPI 的元数据也都标为 MIT。README 说明项目由 IBM 苏黎世研究院的 AI for knowledge 团队发起，现托管于 LF AI & Data 基金会。MIT 只覆盖代码，README 提醒模型要查看各自的许可。按 Hugging Face 模型卡元数据，版式与表格结构模型所在的 docling-project/docling-models 标注 CDLA-Permissive-2.0 和 Apache-2.0，可选的视觉语言模型 GraniteDocling-258M 标注 Apache-2.0；接入其他 OCR 引擎或第三方模型时，还要另查对应条款。

官方给出的安装命令是 pip install docling，要求 Python 3.10 及以上（自 2.70.0 起不再支持 3.9），支持 macOS、Linux 和 Windows 的 x86_64 与 arm64 架构。命令行执行 docling <文件路径或网址> 会在当前目录生成 Markdown；在 Python 中用 DocumentConverter().convert() 得到 DoclingDocument 后，可导出 Markdown、HTML、无损 JSON 或 DocTags。语音识别、各类 OCR 引擎和视觉语言模型属于可选附加包，例如处理音频要安装 docling[asr]，本机用 Whisper 解码时系统里还需要有 ffmpeg。项目另提供 API 服务 docling-serve 和 MCP 服务器，并与 LangChain、LlamaIndex 等框架集成。以上步骤本文没有在本机执行。

v2.140.0 与近期更新

v2.140.0 于 2026 年 10 月 16 日发布，最显眼的新功能是远程语音识别。Docling 原本就能把 WAV、MP3 等音频和 MP4 等视频转写成带时间戳的文本，默认在本机运行 Whisper 模型；新增的 ApiAsrOptions 则把音频发送到兼容 OpenAI /v1/audio/transcriptions 接口的服务器，例如单独部署的 faster-whisper-server、whisper.cpp 服务或 vLLM，模型和显卡不必与文档转换放在同一个进程里。按官方文档，使用时必须显式设置 enable_remote_services=True，否则流水线报错且不发送任何数据；服务器须返回带时间戳的分段结果，单次请求默认最多等待 600 秒，转写结果不含说话人标签，命令行暂未提供对应参数。同一版本还让 docling-tools 可以提前下载 Distil-Whisper 预设模型。

另一项修复针对 PDF 阅读顺序。10 月 1 日的 v2.132.0 更新了阅读顺序算法，会把页面上细长的矢量图形当作分隔线候选；有用户报告，一页含数万个小矩形的座位图让这一步迟迟无法结束，而且不受 document_timeout 超时设置约束。v2.140.0 规定每页候选超过 5000 个时跳过分隔线提取，该页退回原有的排序方式，同时让这一步遵守超时设置，超时后转换结果标为部分成功（PARTIAL_SUCCESS）并记录超时错误。同版还修复了同一封闭区域被 OCR 识别两次的问题，以及 AsciiDoc 行内格式、PowerPoint 组合图形坐标、隐藏的 ODT 章节等解析问题。

此前两周的几个版本也涉及学术文档。10 月 7 日的 v2.135.0 保留 PowerPoint 中原生的 Office Math 公式和 JATS 论文 XML 摘要、脚注中的样式，修正 PDF 文本单元格相对可见页面框的定位，并在 Markdown 表格单元格中保留行内格式；10 月 12 日的 v2.138.0 开始解析 JATS 中的有序列表和列表项编号；10 月 14 日的 v2.139.0 在置信度报告中加入逐页明细，并新增转换进度条和事件回调。项目几乎每一两天发布一个小版本，升级前宜对照当次的发布说明。

论文交给检索系统或大模型之前，先要把 PDF 变成机器可读的文本，这一步的错误会一路传到下游。双栏论文若按行横向拼接，左右两栏的句子会交错；表格若被压成一串数字，行列关系就丢了；页眉、页码混进正文，又会干扰切分和检索。Docling 的做法是先识别页面版式，再把内容装进统一的 DoclingDocument 结构，标题、段落、列表、表格、图片、公式各有类型和层级。按 docling-models 模型卡的介绍，版式模型在页面图像中识别标题、章节标题、正文、表格、公式、脚注、图注、页眉页脚等区域，TableFormer 模型再从表格图像中识别行列结构。对要给文献库建索引、做论文问答或批量抽取表格的研究者，它提供一个能在本机运行、可用 Python 或命令行调用的解析环节，处理未公开的数据时不必把文件上传到外部服务。除 PDF 外，它也能直接读取 LaTeX 源文件和 JATS 格式的期刊论文 XML，这两类来源本身带有章节和标记信息。README 建议使用者在论文中引用 Docling Technical Report（arXiv:2408.09869）。

用置信度筛查解析质量

批量处理几百篇 PDF 时，难点在于知道哪些结果不能直接用。Docling 自 v2.34.0 起在转换结果的 confidence 字段给出置信度报告，包含版式、OCR 和数字文本解析三个分项（表格分项尚未实现），以及汇总的 mean_grade 和反映最差部分的 low_grade，等级分为 POOR、FAIR、GOOD、EXCELLENT 四档。官方建议依据文档级等级而不是具体分数做判断，因为分数的计算方式今后可能调整。v2.139.0 起报告带有逐页明细，可以把等级偏低的页面挑出来人工复核，或换用 OCR、视觉语言模型流水线重跑。需要注意，这些等级是程序对自身结果的估计，不等于与人工标注比对得到的准确率。

Docling 官方文档“置信度”一节的示例图，展示一次转换结果中的置信度报告。图片：Docling 项目，来源 docling-project/docling 仓库（docs/assets/confidence_scores.png），许可 MIT。

局限与注意事项

• 元数据与参考文献：Docling 目前不提取论文的题名、作者和参考文献条目，官方把“元数据提取（含标题、作者、参考文献和语言）”列为即将推出的功能。需要结构化引文时，仍要另配专门的引文解析工具。
• 标题层级：PDF 的标题默认输出为同一级，按书签、编号和字体恢复层级是需要手动开启的选项。
• 模型与许可：MIT 只覆盖代码，默认模型、可选 OCR 引擎和视觉语言模型各有许可；复杂化学结构的理解也还在计划中。扫描件和公式的识别效果取决于所选引擎，本文没有测试。
• 数据外发：远程语音识别、远程视觉语言模型等选项会把文件内容发到外部服务器。处理受伦理审查或保密协议约束的材料时，应只用本地模型，不开启 enable_remote_services。
• 版本变动：项目发版频繁，阅读顺序等核心算法近期仍在调整，同一份 PDF 在不同版本下的输出可能不同。用于需要复现的数据处理时，宜锁定版本号并记录转换参数。

想先确认是否合用，可以做一个小规模验收（这是建议，本文未执行）：挑 5 篇本领域的论文 PDF，其中双栏排版、含复杂表格和扫描版各至少一篇，用默认流水线转成 Markdown，逐篇对照原文检查阅读顺序、表格行列和公式；同时记下每篇的 mean_grade 与 low_grade，看等级偏低的页面是否正是出错的页面。

参考文献

• docling-project/docling. GitHub，2026-10-20 核验。
• LICENSE（MIT License）. GitHub，2026-10-20 核验。
• Release v2.140.0. GitHub，2026-10-16 发布。
• Release v2.139.0. GitHub，2026-10-14 发布。
• Release v2.138.0. GitHub，2026-10-12 发布。
• Release v2.135.0. GitHub，2026-10-07 发布。
• Release v2.132.0. GitHub，2026-10-01 发布。
• feat(asr): transcribe with a remote OpenAI-compatible server (#4853). GitHub，2026-10-16 合并。
• fix(reading-order): bound page-separator candidate work and honor document_timeout (#4633). GitHub，2026-10-16 合并。
• docling. PyPI，2026-10-20 核验。
• Docling 文档首页. 2026-10-20 核验。
• Processing audio and video. Docling 文档，2026-10-20 核验。
• Confidence scores. Docling 文档，2026-10-20 核验。
• Architecture. Docling 文档，2026-10-20 核验。
• docling-project/docling-models. Hugging Face，2026-10-20 核验。
• ibm-granite/granite-docling-258M. Hugging Face，2026-10-20 核验。
• Deep Search Team. Docling Technical Report. arXiv:2408.09869，2024。

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

GemPy 是基于 Python 的开源三维结构地质建模库，能依据地层界面点和产状数据，用隐式插值构建含褶皱、断层网络和不整合的地质模型。2026 年 10 月 13 日和 14 日，项目先后发布 2026.2.0a0 与 2026.2.0a1 两个 alpha（测试）版本，新增有限断层接口和局部微点约束。本文为资料核验，未安装实测。

三维地质模型示例：乌克兰苏基利河地区的三维地质模型。该图并非 GemPy 生成，仅用于展示三维地质模型的常见形态。作者：Nmsol；来源：Wikimedia Commons；许可：CC BY-SA 3.0。

建模方法与输入输出

项目仓库为 gempy-project/gempy，2017 年在 GitHub 创建，截至 2026-10-20 未归档；GitHub 与 PyPI 均标注代码许可证为 EUPL-1.2（欧盟公共许可证 1.2 版）。方法上，GemPy 采用 Lajaunie 等人提出、Calcagno 等人扩展的通用协克里金插值，在三维空间里计算一个标量场，把地层界面、断层面等地质界面表示为这个场的等值面；理论细节见 2019 年发表于 Geoscientific Model Development 的开放获取论文《GemPy 1.0》。输入主要有两类观测：标出不同地质单元分界位置的界面接触点三维坐标，以及反映层面倾向和倾角的产状测量；用户还要设定地层序列、不整合和断层网络等关系。按官方文档，它可以处理多套整合地层、不整合、岩浆体、断层网络以及倒转褶皱在内的褶皱；结果可以用 matplotlib 画成二维剖面或地质图，也可以用 PyVista 做交互式三维显示。项目从设计之初就考虑嵌入概率框架，用于地下结构的不确定性分析。当前的 GemPy v3 由 gempy、计算核心 gempy_engine 和可视化包 gempy_viewer 配合使用；旧版 v2 以 gempy_legacy 保留，核心团队不再为它开发新功能。

2026.2 测试版的改动

据 GitHub Releases 记录，2026.2.0a0 于 2026 年 10 月 13 日发布，2026.2.0a1 于 10 月 14 日发布，两者也已上传 PyPI。改动集中在四个方面：

• 有限断层接口（PR #1105，进入 a0）：新增面向用户的 FiniteFault 数据类，用中心点、走向与倾向两个方向的半径、衰减（taper）类型和旋转来描述一条只在有限范围内延伸的断层，取代原先的 FiniteFaultData。断层组可以设为有限断层，也可以停用后再启用而不丢失几何参数；fault_type 属性会报告无限、有限或停用三种状态。用户坐标到引擎坐标的转换推迟到计算时进行。
• 微点数据表（PR #1107 进入 a0，PR #1111 进入 a1）：新增 MicroPointsTable，用来存放高密度的局部接触观测。按设计，这些微点只在局部修正已有的宏观模型，不参加全局协克里金方程组；每个微点带有位置、方向、各向异性相关长度和单独的块金值。a1 在插值流程中加入了微点支持。
• 模型文件与序列化（PR #1107、#1108、#1112）：.gempy 模型文件格式升到第 2 版，新增 micro_points.bin 成员并写入序列化元数据，旧的第 1 版文件仍能读取；重复保存同一模型会得到逐字节一致的文件。a1 另外加入场计算上下文（field evaluation context），改进网格划分，并更新了 JSON 序列化。
• 依赖要求：PyPI 上的 2026.2.0a1 要求 gempy_engine>=2026.2.0a0，计算核心需要同步升级到同一系列。

无限断层与有限断层的概念对比：左侧断层面贯穿整个块体；右侧变形只发生在椭圆范围内，并向边缘减弱，箭头示意两个方向的半径。本图并非 GemPy 输出，只用于说明概念。AI 生成示意图。

对地质与地球物理研究者，GemPy 的主要用处是把三维建模过程写成可以重跑的 Python 代码：界面点、产状、地层序列和断层关系都以数据和参数的形式保存，换一组观测或改一个构造假设就能重新计算并对比结果，方法也便于随论文公开。README 列出的使用案例包括墨西哥盆地的结构建模、巴西佩洛塔斯盆地和德国诺德奈岛的水文地质模型、东阿尔卑斯褶皱冲断带的不确定性估计，以及隐式概率建模中的重力正演。2026.2 测试版补上的两项能力都对应常见的建模需求：有限断层用来表示没有贯穿整个研究区、位移向边缘消失的断层；微点表则给高密度的局部接触观测一个单独的位置，让它们修正局部而不必全部进入全局插值。结合项目原有的随机建模支持，研究者可以检验观测误差和参数选择会让地下结构的推断变化多少。

局限与注意事项

• 仍是 alpha 版本：2026.2.0a0 和 2026.2.0a1 的版本号带 a（alpha）标记，README 仍把 2026 年 6 月发布的 2026.0.3 称为最新稳定版，PyPI 项目页默认展示的也是 2026.0.3。按 Python 包的版本规则，pip install gempy[base] 默认不会安装 alpha 版本，需要显式写出版本号。
• 新功能缺少公开评测：发布说明没有给出新功能的精度或性能数据。微点功能最初合并时（PR #1107）写明，引擎端的坐标转换、局部 RBF 求解与梯度计算、按接触点加密八叉树都还没有实现；a1 的插值支持覆盖到哪一步，PR 中没有文字说明，使用前应查看代码和测试。
• 有限断层有使用条件：只能配合各向同性、不倾斜的模型坐标变换，否则会报错。
• 接口与文件兼容：FiniteFaultData 已被移除，依赖旧接口的脚本需要改写；新格式模型文件能否被旧版本读取，说明中没有提到。官方文档站当前显示的构建版本是 2024.2 系列，新接口的说明主要见于 PR 和源码。
• 许可条款：EUPL-1.2 是带互惠义务的 copyleft 许可，修改后再分发需要按条款提供源代码；把 GemPy 集成进其他软件或对外分发之前，应阅读仓库中的 LICENSE 原文。代码许可不涉及用户自己的地质数据。
• 模型不等于实测地下结构：隐式插值给出的是满足所给观测和设定的一种几何，数据稀疏的区域主要由插值假设决定，需要结合地质判断和不确定性分析使用。

本文依据 GitHub、PyPI、官方文档和论文整理，未安装实测。建议的验收方式是：选一个官方教程模型，分别用 2026.0.3 和 2026.2.0a1 计算，对比地层分布和界面位置是否一致，确认无误后再迁移自己的项目，并为每次建模保存输入数据和软件版本记录。

参考文献

1. GemPy 项目. gempy-project/gempy GitHub 仓库（核验日期 2026-10-20）
2. GemPy 项目. Release 2026.2.0a0，2026-10-13
3. GemPy 项目. Release 2026.2.0a1，2026-10-14
4. GemPy 项目. PR #1105: Add FiniteFault user-facing API
5. GemPy 项目. PR #1107: Add MicroPointsTable, element ownership, and versioned serialization
6. gempy 2026.2.0a1 · PyPI
7. GemPy 官方文档
8. de la Varga, M., Schaaf, A., & Wellmann, F. (2019). GemPy 1.0: open-source stochastic geological modeling and inversion. Geoscientific Model Development, 12, 1–32.

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

HADDOCK3 是乌得勒支大学 Bonvin 实验室开发的生物分子复合物建模软件，用实验和文献信息转化的约束引导蛋白质、核酸等分子对接，官方仓库为 haddocking/haddock3，代码采用 Apache-2.0 许可。2026 年 10 月 14 日发布的 2026.10.0 新增 DNA 碱基对扫描和多配体参数自动生成，10 月 17 日的 2026.10.1 修正了一处约束定义。本文为资料核验，未安装实测。

约束驱动的对接流程

HADDOCK 是 High Ambiguity Driven protein-protein DOCKing 的缩写。按官方 README 的介绍，Bonvin 实验室开发这套软件已有二十多年，它把实验数据、生化与生物物理信息、生物信息学预测等知识转成约束，用来引导分子对接。最核心的是“模糊相互作用约束”（Ambiguous Interaction Restraints，AIRs）：研究者只需给出可能位于界面上的残基，不必指定具体谁和谁接触。官方蛋白质—DNA 教程举过一个例子：约束文件中的一行规定，蛋白链 C 的 35 号残基应与 DNA 链 B 的 32 号或 33 号核苷酸接触，两对中只要有一对彼此靠近，这条约束就算满足。

HADDOCK3 把整个流程拆成可组合的模块。用户在 TOML 格式的配置文件里排好模块顺序，再用 haddock3 <配置文件> 运行。以教程中的蛋白质—DNA 流程为例：topoaa 生成拓扑并补全缺失原子，rigidbody 在约束下做刚体对接、生成 1000 个模型，seletop 按 HADDOCK 评分选出前 200 个，随后依次经过扭转角空间的半柔性优化 flexref、显式溶剂中的分子动力学优化 mdref，最后计算 RMSD 矩阵并聚类。caprieval 可以插在各步之后，以给定的参照结构或评分最高的模型为基准，计算 i-RMSD、l-RMSD、Fnat 和 DockQ。运行结束后可以得到各阶段的模型文件、聚类统计表、评分图和日志。多数模块的底层计算引擎是 Crystallography and NMR System（CNS）。

2026.10 版本更新

2026.10.0 于 2026 年 10 月 14 日在 GitHub Releases 发布，变更说明以 2026.8.0 为比较基准。与核酸和配体相关的新功能主要有三项：

• [dnascan] 模块：对复合物界面上的 DNA 碱基对做突变扫描，默认遍历所有可能的替换组合。为了让突变后的碱基能正确重建并保持配对，替换分两步完成：先把嘌呤换成嘧啶，再把嘧啶换成嘌呤。它沿用 2026.8.0 加入的 [rnascan] 的思路，后者在短时能量最小化后输出野生型与突变模型的 HADDOCK 评分差。
• 配体参数自动生成：topoaa 遇到未知小分子时会调用 PRODRG 生成拓扑和参数文件。以前整个体系会一起交给 PRODRG，配体嵌在蛋白复合物或膜体系中时就会失败；新版先抽出配体，同名配体只取一个拷贝，多种配体分别处理后再合并文件。haddock3-score 命令也默认开启了这一功能。
• 碱基对几何识别：生成约束时可以按几何关系识别 Watson–Crick 和 Hoogsteen 碱基对，全原子和粗粒化两种核酸模型都适用。

流程和可复现性方面，工作流参数现在会对照通用的 defaults.yaml 校验，mpi 和 grid 两种执行模式也写进了这个文件；[emref]、[mdref]、[flexref] 用 sampling_factor 生成多个副本时，每个副本获得各自的随机种子偏移；粗粒化过程改为确定性，并修正了虚拟珠子的几何。其他改动包括粗粒化核酸的断链判定阈值降到 6 Å、[contactmap] 的内存估计更准确，以及 [caprieval] 中 DNA 粗粒化碱基珠子的默认选择、糖链连接等问题的修复。

三天后的 10 月 17 日，项目发布 2026.10.1，说明中列出的唯一改动是修正 contactairs 中约束的定义。截至 2026 年 10 月 20 日，PyPI 上 haddock3 的最新版本也是 2026.10.1。

HADDOCK3 适合手里有部分界面信息、却还没有复合物实验结构的研究者，例如已经从突变实验或文献中知道哪些残基参与结合，想得到一组可检验的三维模型。2026.10 这一版对核酸方向帮助最直接：蛋白质—DNA 体系对接后，可以用 [dnascan] 逐一替换界面碱基对、比较评分变化，筛出值得实验验证的位点；约束生成阶段也能按几何关系认出 Watson–Crick 和 Hoogsteen 碱基对，并覆盖粗粒化核酸模型。副本种子偏移和确定性粗粒化有助于在重复运行同一配置时得到一致的结果。配体处理的改进面向蛋白—配体复合物和含多种脂质的膜体系。PR 讨论里有用户报告，他用 haddock3-score 给 Boltz 预测的蛋白—配体复合物打分时，配体被自动识别，参数生成和能量最小化评分都顺利完成；这是单个用户的反馈，不是官方基准。

安装与入门教程

官方推荐在 Python 3.10 至 3.14 的虚拟环境中安装，并直接用配置文件运行：

pip install haddock3
haddock3 <configuration-file.toml>

需要 MPI 并行或笔记本功能时，分别安装 haddock3[mpi] 或 haddock3[notebooks] 附加依赖。pip 包自带 CNS 可执行文件，如果在某些架构上因缺少库而报错，需要按官方 CNS 文档重新编译，再替换安装目录中的 cns。

入门可以从 Bonvin 实验室的蛋白质—DNA 基础教程开始。教程以噬菌体 434 的 Cro 蛋白与 OR1 操纵子 DNA 为例，用晶体结构 3CRO 作参照；数据包里附带已经运行好的 saved-run 目录，可以先浏览结果，再决定是否在本机跑完整流程。教程配置默认在本地使用 8 个 CPU 核心。

一个可行的小规模验收任务（建议，本文未执行）：按教程运行完整流程，查看排名靠前的聚类相对 3CRO 的 i-RMSD 和 DockQ；再在同一体系上试用 [dnascan]，确认输出表格能够读懂，评分变化较大的碱基对是否落在 Cro 识别螺旋所在的大沟区域。

局限与注意事项

• 结果是预测：对接给出的是计算模型。教程特别提醒，没有参照结构时 caprieval 的统计都相对于评分最高的模型，而评分最高的模型不一定是真实解。结论仍要结合结构质量和实验验证判断。
• 依赖约束质量：约束来自实验或文献，信息有误会把采样引向错误区域。基础教程直接提供现成的约束文件，不讲如何从文献整理约束；对应的进阶教程目前只有 HADDOCK2.4 网页服务器版本。
• 许可分层：HADDOCK3 代码采用 Apache-2.0。核心计算引擎 CNS 另有许可：官方文档说明，从源码下载 CNS 需要申请许可，学术用户可免费申请，且只接受教育邮箱。非学术用途的条件本文未核实，使用前应向 CNS 方面确认。
• PRODRG 依赖：自动配体参数化需要调用 PRODRG 程序。源码显示，当前平台没有可用程序时会报错，需要通过 PRODRG_EXEC 环境变量指定可执行文件路径。PRODRG 本身的许可条款本文未核实。
• 新模块刚进入正式版：[dnascan] 和多配体处理都在 2026.10.0 首次发布。对应 PR 注明开发时使用了 AI 辅助，作者补充了单元测试并人工检查了结果。用于正式研究前，最好先在有已知结构的体系上核对。
• 计算资源：完整流程包含分子动力学优化，教程默认本地 8 核运行，也可以改用 mpi 或 grid 执行模式。实际耗时取决于体系大小，本文没有实测数据。

参考文献

1. haddocking/haddock3（GitHub 仓库）
2. HADDOCK3 2026.10.0 Release
3. HADDOCK3 2026.10.1 Release
4. HADDOCK3 2026.8.0 Release
5. LICENSE（Apache License 2.0）
6. haddock3 · PyPI
7. Installation（docs/pages/INSTALL.md）
8. CNS Installation（docs/pages/CNS.md）
9. Basic protein-DNA docking using local version of Haddock3（Bonvin Lab 教程）
10. PR #1644：Adding dnascan module
11. PR #1646：Automatic param/top generation for ligands embedded in a larger system and multiple ligands
12. libligand.py 源码
13. Giulini M, Reys V, Teixeira JMC, et al. HADDOCK3: A modular and versatile platform for integrative modelling of biomolecular complexes. Journal of Chemical Information and Modeling, 2025.

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

Haystack 是 deepset 维护的 Python 开源框架，用来搭建检索增强生成（RAG）流水线和会调用工具的智能体，代码采用 Apache-2.0 许可证。2026 年 10 月 15 日发布的 v3.4.0 新增实验性的工具结果外存压缩，并统一了文档分块的页码含义。本文为资料核验，未安装实测。

Haystack 官方文档“Visualizing Haystack Pipelines”页面的示例流程图：一条 RAG 流水线中，查询依次经过检索器、提示构建器、语言模型和答案构建器。图片：deepset GmbH，来源 deepset-ai/haystack 仓库（docs-website/static/img/rag-pipeline.png），许可 Apache-2.0。

版本、许可证与安装

截至 2026 年 10 月 20 日核验，GitHub 仓库 deepset-ai/haystack 未归档，创建于 2019 年 11 月，主要语言为 Python，核验当天仍有代码推送，项目官网为 haystack.deepset.ai。根目录 LICENSE 是 Apache License 2.0，版权声明为“Copyright 2021 deepset GmbH”，GitHub 识别的许可证也是 Apache-2.0。这份许可覆盖主仓库的框架代码；与各类模型服务、文档库对接的集成包放在 deepset-ai/haystack-core-integrations 仓库，所调用的外部模型和服务各有条款，本文没有逐一核对。

3.x 系列近期发布较密：v3.2.0 于 2026 年 9 月 24 日发布，v3.3.0 于 10 月 1 日发布，v3.4.0 于 10 月 15 日（UTC）发布，是核验时最新的正式版；仓库另有 v3.5.0-rc0 标签，属于预发布。官方安装命令是 pip install haystack-ai，conda-forge 上也有同名包。v3.4.0 起最低 Python 版本升为 3.11，同时正式支持 Python 3.15，仍在用 Python 3.10 的环境要先升级 Python 再升级 Haystack。输入通常是 Word、HTML、CSV、Excel、JSON 等文件经转换组件生成的 Document 对象，输出是检索到的文本块、模型回答或智能体的工具调用结果。框架本身不收费，成本主要来自所接入的模型 API 或本地算力。以上步骤本文没有在本机执行。

对科研用户来说，Haystack 的用处在于把文献检索、证据整理和模型生成拆成可以单独替换、单独检查的组件：文档怎样切分，用 BM25 还是向量检索，检索结果怎样排序后再交给模型，都由使用者显式配置，每一步的输入输出也可以追踪。最近两个版本的改动多数落在这些环节上，和“生成的引用能否对上原文”直接相关。它适合用 Python 搭建文献问答、系统综述辅助检索或课题组内部知识库的研究者；只想直接用现成问答工具的读者，学习成本偏高。

长任务中的工具结果外存

智能体执行长任务时，检索、读取网页等工具的返回结果会不断累积，最终超出模型的上下文窗口。常见做法是删掉较早的工具结果，或把它们压缩成摘要，代价是原始内容再也查不到。v3.4.0 为 CompactionHook 新增了实验性的 ToolResultOffloadCompactor：触发压缩时，它不删除也不摘要旧的工具结果，而是把它们写入 ToolResultStore，在对话中留下一条引用；智能体需要时，可以通过一个限定在同一存储上的读取工具取回完整内容。触发压缩之前，新结果照常留在上下文中，所以短任务没有额外开销。

官方示例用 FileSystemToolResultStore 把结果存到本地目录，读取工具由使用者自己用 @tool 定义后交给智能体。同一版本还修正了一个相关问题：写入存储失败时（例如磁盘已满），智能体不再中断运行，该结果留在对话中并记录一条警告。对需要连续检索、阅读几十篇论文的任务，这种做法保留了回到原始检索结果核对的可能。它只是一种上下文压缩策略，不判断证据真伪，也不是完整的研究记忆系统；目前标为实验性，接口仍可能变化。

ToolResultOffloadCompactor 的工作流程：工具结果累积到触发压缩后，较早的结果写入 ToolResultStore，上下文中只保留引用；智能体需要时通过读取工具取回完整内容。AI 生成示意图，依据 Haystack v3.4.0 发布说明绘制，非官方截图。

分块页码与原文对齐

做文献问答时，模型给出的结论能否落到“第几页、哪一段”，取决于文档分块时记下的元数据。v3.4.0 统一了各分块组件中 page_number 的含义：一律表示文本块开始所在的页。此前 RecursiveDocumentSplitter 记录的是文本块结束的页；DocumentSplitter、MarkdownHeaderSplitter 和 EmbeddingBasedDocumentSplitter 遇到以分页符（\f）开头的文本块，会把它标成前一页，尽管其中文字全在后一页。

RecursiveDocumentSplitter 的几处问题也一并修正：设置重叠（split_overlap 大于 0）时，页码会逐块向上漂移，甚至超过文档总页数；按词切分并重叠时，文本块由词语加单个空格重新拼接，会多出原文没有的空格、合并换行、丢失分页符；按句切分时句间空白被丢掉，split_idx_start 偏离文本块的真实起点。新版改为直接从原文复制文本块，并按文本块在原文中的偏移计算页码。上一版 v3.3.0 修过同类问题：SentenceSplitter 遇到以右引号结尾的句子会丢失句间空白，使后续文本块无法映射回原文。官方提示，向用户展示页码或把页码与向量一起存储的项目，应对受影响的文档重新建索引。

v3.3.0 的检索修正

10 月 1 日发布的 v3.3.0 主要修正检索质量。内存文档库的 BM25 检索使用 BM25L（默认）或 BM25Plus 时，此前不含任何查询词的文档也可能得到正分并占满 top_k；新版只返回至少包含一个查询词的文档，结果可能少于 top_k 甚至为空，匹配文档的分数也比以前低，BM25Okapi 不受影响。对文献检索来说，返回空结果比拿无关文献凑数更容易暴露“库里其实没有证据”。同一版本修正了内存文档库对中文、日文和韩文的 BM25 分词：默认把每个汉字切成一个词元，让查询词能匹配到无空格长句中的片段，并在分词前做 Unicode NFC 规范化。此外，SentenceWindowRetriever 改为每次运行只查询一次文档库，输出不变；ChatPromptBuilder 不再静默丢弃模板中的图片、文件和额外文本。v3.4.0 又修正了 SentenceWindowRetriever 在文本块缺少 split_idx_start 时拼接顺序错乱的问题。

局限与升级注意事项

几项改动会改变已有结果，升级前宜在测试环境比对。v3.4.0 把 OpenAI 和 Azure OpenAI 嵌入组件的默认模型从 text-embedding-ada-002 换成 text-embedding-3-small，两者生成的向量互不兼容，已有向量库要么显式指定旧模型，要么全部重新嵌入。分块和 BM25 的修正会改变文本块边界、页码和检索分数，依赖固定分数阈值或旧页码的流程需要重新校准。FilterPolicy.MERGE 合并两个 OR 或 NOT 过滤条件时由并集改为交集；HTMLToDocument 的默认编码处理改为交给 Trafilatura 自动检测。

中文检索方面，按单字切分让查询更容易命中，但不再利用词语边界，排序效果是否够用，需要在自己的语料上验证。Haystack 默认收集匿名的组件使用统计，v3.4.0 起智能体在流水线中运行时还会上报聊天生成器的类名和工具清单；处理敏感资料的课题组可以按官方文档关闭遥测。框架本身不提供模型，回答质量取决于接入的模型和语料；使用外部 API 还涉及费用和数据外传，需要结合所在机构的数据政策选择本地或云端模型。

想先确认是否合用，可以做一个小规模验收（这是建议，本文未执行）：选 5 到 10 篇自己领域的论文，转换为 Document 后分别用 DocumentSplitter 和 RecursiveDocumentSplitter 切分，抽查若干文本块的 page_number 与原文实际页码是否一致；再准备几条中文查询，其中一条在库中确实没有答案，观察 BM25 检索是否如新版说明那样返回空结果。

参考文献

• deepset-ai/haystack. GitHub，2026-10-20 核验。
• LICENSE（Apache License 2.0）. GitHub，2026-10-20 核验。
• README. GitHub，2026-10-20 核验。
• Release v3.4.0. GitHub，2026-10-15 发布。
• Release v3.3.0. GitHub，2026-10-01 发布。
• Tags. GitHub，2026-10-20 核验。

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

mpcrl 是一个 Python 库，用参数化的模型预测控制（MPC）充当强化学习智能体的策略与价值函数近似，再由强化学习算法调整 MPC 的参数。2025 年 10 月 17 日发布的 1.4.0 和 1.4.1 允许为两类价值函数分别传入 MPC，并改进了智能体的复制与序列化。本文为资料核验，未安装实测。

控制与学习的闭环：控制器沿预测轨迹选择动作，学习模块依据反馈调整参数（AI 生成示意图，非 mpcrl 官方图片）

官方 README 把这一框架称为“RL with/using MPC”，并指出它最早由 Gros 和 Zanon 在 2020 年的论文中提出。MPC 依据预测模型计算未来一段时域内的最优动作；在 mpcrl 里，MPC 的目标函数、预测模型和约束（或其中一部分）写成带参数的形式，它既向环境输出动作，又充当状态价值函数 V(s) 和状态—动作价值函数 Q(s,a) 的近似。强化学习算法根据环境返回的代价调整这些参数，让控制器的表现逐步改善。官方示例使用 Q-learning 和确定性策略梯度（DPG），也给出了用贝叶斯优化免梯度调参的例子。

mpcrl 的框架示意：参数化 MPC 向环境输出动作，强化学习智能体依据状态和代价更新 MPC 参数（图：Filippo Airaldi，来源：mpcrl GitHub 仓库 docs/_static，MIT 许可）

使用时需要准备三样东西：一个 Gymnasium 格式的环境，由 reset 和 step 方法返回状态与代价；一个用 csnlp 构建的参数化 MPC，csnlp 是基于 CasADi 的优化建模包；以及待学习的参数和初始值。README 的入门示例用线性时不变系统演示这一流程：环境的真实矩阵对控制器未知，MPC 中的模型矩阵和代价矩阵作为可学习参数，LstdQLearningAgent 与环境交互训练后返回逐步的代价序列，示例用 IPOPT 求解 MPC。mpcrl 借助 csnlp 计算 MPC 最优解对参数的灵敏度，强化学习更新所需的梯度由此得到。

安装命令为 pip install mpcrl。1.4.1 在 PyPI 声明的依赖是 Numba、csnlp（1.6.8 及以上）、SciPy 和 Gymnasium，要求 Python 3.9 及以上，同时注明对 3.9 的支持和测试已经弃用。截至 2026 年 10 月 20 日，仓库 main 分支在 1.4.1 之后还有 67 个尚未发布的提交，其中一项把最低 Python 版本提高到 3.11，当前 README 也已按此改写。因此，从 PyPI 安装的仍是 1.4.1，直接从 main 分支源码安装则需要 Python 3.11。

仓库 LICENSE 为 MIT 许可证，版权人为 Filippo Airaldi；README 另附代尔夫特理工大学（TU Delft）放弃该程序版权权益的声明。作者在 README 中的身份是 TU Delft 代尔夫特系统与控制中心博士候选人。本文于 2026 年 10 月 20 日核对了 GitHub 仓库、Releases、1.4.1 标签源码和 PyPI 页面，属于资料核验，未安装实测。

1.4.0 与 1.4.1 的改动

GitHub Releases 显示，1.4.0 和 1.4.1 都在 2025 年 10 月 17 日发布，相隔约 8 分钟。1.4.0 的主要变化是：所有智能体初始化时的 mpc 参数可以接收由两个 MPC 组成的元组，第一个用于构造 V(s) 的近似，第二个用于 Q(s,a)。官方说明，这样可以避免对单个 MPC 做代价较高的内部复制，也便于分别定制两个控制器。按 1.4.1 标签的源码，传入单个 MPC 依然可行，此时智能体会深复制出第二份，并就地修改传入的对象，文档建议初始化后不要再改动它。

1.4.0 还包含一项不兼容改动：mpcrl.LearnableParameter 不再接受 sym 参数，所需符号改为按名称从 MPC 控制器中读取。旧代码若在创建可学习参数时传入 sym，升级前需要修改相应调用。其余改动包括把测试扩展到 Python 3.13，完善文档字符串和类型标注，以及修复用户关闭或未提供热启动（warm start）时仍会使用热启动的问题。

1.4.1 的改动较少：借助 CasADi 的 global_pickle_context 和 global_unpickle_context，改进了对智能体做原生 deepcopy 和 pickle 序列化的支持；另外把代码检查工具换成 Ruff，并更新了文档依赖。发布说明没有交代序列化改进的测试范围，它能否满足保存、恢复完整训练状态的需要，还要在自己的实验里确认。

mpcrl 面向基于学习的控制研究：控制器的结构来自已有的预测模型和约束，参数则从闭环数据中学习。它把 Gros、Zanon 等人发展的 MPC 型强化学习方法整理成可复用的代码，研究者不必自己推导 MPC 解对参数的灵敏度，也不必从头搭建 Q-learning 或 DPG 的更新流程，可以把精力放在问题建模和对比实验上。

官方示例库覆盖离线和在线 Q-learning、在线 DPG，以及用贝叶斯优化免梯度地调整 MPC 参数；README 说明这些主线示例都是小规模学术问题，例如一个小型线性时不变系统。示例库另收有凸多面体采样、带输入约束控制屏障函数的自适应巡航控制等例子，官方注明它们与 MPC 型强化学习并不直接相关。比较适合的读者，是已经熟悉 MPC 建模、想在仿真中让控制器参数随数据更新的控制方向研究生和研究人员。

1.4 系列的两项改动都落在实验工程上。V(s) 和 Q(s,a) 可以使用分别构造的 MPC，研究者能单独定制两个控制器，同时省去内部复制的开销。不过两者并不完全由用户决定：按 1.4.1 的源码，无论传入一个还是两个 MPC，智能体都会在 Q 的控制器上添加“首个动作等于给定动作”的约束，采用梯度型探索时还会在 V 的目标函数中加入扰动项。改进后的 deepcopy 与 pickle 支持，则方便复制智能体做多组重复实验，或把智能体对象保存到磁盘。

局限与注意事项

截至核验日，最新正式版本 1.4.1 发布已满一年。main 分支此后的提交包括依赖升级、代码检查配置更新和最低 Python 版本调整，还没有形成新的发布。打算在课题中长期使用的团队，宜锁定版本号，并留意后续发布说明。

这类方法每给出一个动作都要在线求解一次优化问题，非线性、非凸问题还可能求解失败。智能体为此提供了 use_last_action_on_fail 选项，以及基于多起点非线性规划的热启动策略，但它们只是工程上的应对，不能保证训练收敛或闭环稳定。若研究需要稳定性与安全性保证，应回到 README 所列 Gros、Zanon 等人的理论文献核对前提条件，不能默认库的实现已经提供这些保证。

环境须遵循 Gymnasium 接口，README 入门示例还注明状态和动作须为连续量。从旧版本升级时，除了检查 LearnableParameter 的 sym 参数，还要留意热启动行为：1.4.0 修复相关问题后，过去在关闭热启动的设置下实际仍使用了热启动的实验，重跑结果可能与原记录不同。

MIT 许可允许使用、修改和再分发，条件是在副本中保留版权声明和许可声明；软件按“原样”提供，不附任何担保。csnlp、CasADi 和 IPOPT 等依赖各有许可条款，本文没有逐一核对。

一个小规模的验收办法是：在独立虚拟环境中安装 1.4.1，运行官方的在线 Q-learning 示例，分别用单个 MPC 和 (V, Q) 元组初始化智能体，比较两次训练的代价曲线，再把训练后的智能体用 pickle 保存并重新读取。这是建议的检查步骤，本文没有执行。仓库名为 FilippoAiraldi/mpc-reinforcement-learning，项目入口：GitHub 仓库、1.4.1 发布页、官方文档、PyPI。

参考文献

• FilippoAiraldi/mpc-reinforcement-learning（GitHub 仓库）
• mpcrl 1.4.1 发布页
• mpcrl 1.4.0 发布页
• mpcrl LICENSE（MIT）
• mpcrl 1.4.1 标签源码 agents/common/agent.py
• mpcrl 1.4.1 与 main 分支比较
• mpcrl 官方文档
• mpcrl（PyPI）

来源

• mpcrl.diagram.light.png 与 mpcrl.diagram.tex（1.4.1 标签 docs/_static）

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

paperscraper 是一个以 MIT 许可证开源的 Python 文献采集包，可按关键词从 PubMed、arXiv 和 bioRxiv 等预印本平台批量获取论文元数据，并下载可获取的全文。2026 年 10 月 8 日（UTC）发布的 v1.1.0 借助第三方服务 SearchApi 接入谷歌学术，新增引用数、施引论文和作者成果查询。本文为资料核验，未安装实测。

paperscraper 官方关键词分析示例：按年份统计“人工智能 AND 量子计算 AND 化学/物理/生物/医学”在各数据库中检索到的论文数。图片：Jannis Born / paperscraper 贡献者，来源 jannisborn/paperscraper 仓库（assets/ai_quantum_fields.png），许可 MIT。

版本、许可证与安装

截至 2026 年 10 月 20 日核验，GitHub 仓库 jannisborn/paperscraper 未归档，创建于 2020 年 7 月，主要语言为 Python，最近一次推送在 10 月 14 日（UTC）。根目录 LICENSE 是 MIT 许可证，版权声明为“Copyright (c) 2020 PhosphorylatedRabbits”，GitHub 与 PyPI 的元数据也都标为 MIT。PyPI 列出的作者是 Jannis Born 和 Matteo Manica，当前版本为 1.1.0，要求 Python 3.9 及以上、3.14 以下。官方安装命令是 pip install paperscraper 或 uv add paperscraper，官方文档位于 jannisborn.github.io/paperscraper。项目不单独维护 CHANGELOG，README 写明版本说明以 GitHub Releases 和 PyPI 发布历史为准；README 还请使用者在用它采集论文后，引用 Born 与 Manica 2021 年发表于 Current Medicinal Chemistry 的论文。以上安装步骤本文没有在本机执行。

数据来源与检索方式

不同数据源的取数方式不一样。PubMed 和 arXiv 可以直接在线查询；bioRxiv、medRxiv 和 ChemRxiv 则要先把全部历史记录下载成本地 JSONL 文件（每行一篇论文），之后的检索都在本地完成。README 给出的参考数据是：ChemRxiv 不到 15 分钟、5 万篇以上、约 30 MB，medRxiv 不到 5 分钟、10 万篇以上、约 200 MB，bioRxiv 不到 1 小时、45 万篇以上、约 800 MB。arXiv 也能建本地库，默认通过 Kaggle 整库下载，需要先登录 Kaggle 账号；只需要几天的数据时，可以改用 arxiv 包的 API 后端。检索词用嵌套列表表达布尔逻辑：外层列表之间是 AND，内层列表里的同义词之间是 OR。结果写成 JSONL 文件或 pandas 数据框，可以再用 aggregate_paper 按年份汇总，用自带的绘图函数画柱状图和韦恩图。全文下载用 save_pdf 按 DOI 保存单篇，或用 save_pdf_from_dump 从检索结果文件批量保存 PDF 或 XML。

v1.1.0 新增的谷歌学术查询

v1.1.0 于 2026 年 10 月 8 日（UTC）在 GitHub 发布，标题为“Google Scholar integration”。更新说明列出五项合并请求：经 SearchApi 接入引用查询（#121），获取引文条目和施引论文（#122），按作者检索论文（#123），重构 SearchAPIClient（#124），以及统一认证请求头的写法（#118）。上一个版本 v1.0.0 发布于 6 月 16 日，项目称之为稳定版，主要改动是借助 Kaggle 快照把 arXiv 的获取速度提高约 10 倍，并正式发布自引分析子包。

按官方文档的 Scholar Metrics Analysis 页面，新功能对应五类函数：get_scholar_papers 按关键词搜索谷歌学术，返回数据框；get_citations_from_title 按论文标题返回引用数；get_bibtex_entry 和 get_endnote_entry 导出 BibTeX 或 EndNote 格式的引文，输入 DOI 时先经 Semantic Scholar 解析成标题；get_citing_papers_from_title 列出施引论文，默认只含标题，设 full_info=True 时再经 Semantic Scholar 补充作者和 DOI；get_scholar_author_papers 返回某位作者的论文，默认最多 30 篇。使用前要在环境变量 SEARCH_API_KEY 中设置 SearchApi 密钥，或在调用时传入 api_key。查询引用数的默认后端是 "auto"：配置了 SearchApi 密钥就用 SearchApi，否则在配置了 SS_API_KEY 时用 Semantic Scholar，两者都没有时退回 scholarly 库，文档说明它的吞吐量有限。

文献检索回答“有哪些论文”，引用分析回答“这些论文后来被谁引用、作者还发表了什么”。paperscraper 原本就能把前一步写成脚本：检索式、日期范围和数据源都留在代码里，在本地预印本库上重复检索，也不必每次依赖实时的网页搜索结果，便于复查。v1.1.0 把后一步的一部分接进同一个包，从关键词检索到查施引论文、导出引文，可以在同一段 Python 代码里完成。它适合做文献计量、领域趋势分析和系统综述前期检索的研究者，也适合需要定期更新某一主题文献集的课题组；使用者需要会写基本的 Python 代码。

从检索到引用分析的流程

按文档中的函数，可以把一次文献调研串成这样的流程：先用嵌套关键词在 PubMed、arXiv 和本地预印本库中检索，得到 JSONL 文件；用 aggregate_paper 按年份统计，并通过 unwanted_keys 剔除误命中的记录；对筛出的核心论文调用 get_citing_papers_from_title 查施引论文，用 get_citations_from_title 记录引用数，再用 get_bibtex_entry 导出引文，导入自己的文献管理工具；需要全文时，用 save_pdf_from_dump 批量下载能获取的 PDF。期刊层面可以用 Impactor 按刊名、缩写、E-ISSN 或 NLM ID 查影响因子，作者层面可以经 Semantic Scholar 查论文数、引用数和 h 指数。包里的自引分析函数还能估算一篇论文各位作者的平均自引比例和自我参考比例。

paperscraper 绘图函数生成的韦恩图示例，基于本地 arXiv、bioRxiv、ChemRxiv 和 medRxiv 数据：左为 2024 年“人工智能”与“量子计算”检索结果的重叠，右为 2025 年再加入“化学”后的三组重叠。图片：Jannis Born / paperscraper 贡献者，来源 jannisborn/paperscraper 仓库（assets/ai_quantum_venn_both.png），许可 MIT。

费用、数据质量与使用限制

新功能依赖一项付费的第三方服务。SearchApi 是商业搜索结果接口，并非谷歌官方提供的接口。按其价格页（2026 年 10 月 20 日查看），最低档 Developer 方案每月 40 美元，含 1 万次搜索，只对成功请求计费，每小时最多用掉套餐额度的 20%。paperscraper 的 README 顶部挂有“Supported by SearchApi”徽章，文档中的谷歌学术示例都以它为后端。调用次数会随用法叠加：num_enrich 每多补全一行结果，就多一次作者主页请求；作者论文列表设 full_info=True 时，每篇论文多一次请求。把 num_enrich 设为 0 只发一次请求，但拿到的只是谷歌学术结果页上被截断的信息。

数据本身也需要核对。文档提醒，引用数在不同数据源之间、在同一论文不同版本的谷歌学术记录之间都可能不一致；文档中的示例输出取自 2026 年 9 月 23 日的实时查询，排序和数字都会变化。按姓名查作者时，如果找不到完全匹配的学者主页，函数会改用 author:"姓名" 搜索并提示可能混入同名作者，这时也无法补全详细信息；姓名有歧义时应传入 author_id。谷歌学术不支持 paperscraper 的嵌套布尔检索式，只按搜索框的规则处理纯文本查询。全文下载对预印本最可靠，期刊论文取决于开放获取状态和机构权限；Wiley、Elsevier 的文本挖掘接口需要自备凭据，文档写明这些备选途径不能绕过出版商限制或付费墙。为 bioRxiv 等平台指定日期范围建本地库时，生成的文件按当天日期命名，之后的检索只基于这个文件，覆盖不全就会漏检。自动采集得到的只是候选文献集，用于系统综述时仍要按方案去重、筛选和评价质量。

想先确认是否合用，可以做一个小规模验收（这是建议，本文未执行）：选一篇自己熟悉的论文，用 get_citations_from_title 查引用数，用 get_citing_papers_from_title 取前 10 篇施引论文，与谷歌学术网页上的结果逐条对照；再用一组嵌套关键词检索 PubMed，抽查 20 条记录的题名、日期和 DOI 是否正确，同时记下这次验收实际消耗的 SearchApi 搜索次数。

参考文献

• jannisborn/paperscraper. GitHub，2026-10-20 核验。
• LICENSE（MIT License）. GitHub，2026-10-20 核验。
• v1.1.0 - Google Scholar integration. GitHub，2026-10-08 发布。
• Paperscraper v1.0.0 - stable release. GitHub，2026-06-16 发布。
• Citations Integration via SearchAPI（#121）. GitHub，2026-09-05 合并。
• paperscraper. PyPI，2026-10-20 核验。
• paperscraper 文档. 2026-10-20 核验。
• Scholar Metrics Analysis. paperscraper 文档，2026-10-20 核验。
• Paper Keyword Analysis. paperscraper 文档，2026-10-20 核验。
• PDF Retrieval. paperscraper 文档，2026-10-20 核验。
• Pricing Plans. SearchApi，2026-10-20 查看。
• Jannis Born, Matteo Manica. Trends in Deep Learning for Property-driven Drug Design. Current Medicinal Chemistry, 2021, 28(38): 7862–7886.

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

PyAutoLens 是开源的强引力透镜建模 Python 库，仓库为 PyAutoLabs/PyAutoLens，采用 MIT 许可证。2026 年 10 月 16 日至 18 日，项目连续发布四个版本，发布说明均注明本体代码没有直接改动，变化来自上游的 PyAutoFit 和 PyAutoArray，重点是统一的随机种子和高维 Nautilus 采样的检查点修复。本文为资料核验，未安装实测。

强引力透镜示例：亮红星系 LRG 3-757 的引力把更远处一个蓝色星系的像拉成近乎闭合的马蹄形爱因斯坦环。图像由哈勃空间望远镜第三代广域相机拍摄，并非 PyAutoLens 输出。作者：ESA/Hubble & NASA（衍生处理：Bulwersator）；来源：Wikimedia Commons；许可：公有领域。

功能与输入输出

强引力透镜是指前景星系的引力把背景星系的光线弯曲，形成弧、多重像或爱因斯坦环。PyAutoLens 用解析的光分布模型（如 Sérsic）和质量分布模型（如等温椭球、幂律、NFW 暗物质晕、外部剪切）描述透镜星系和源星系，再由 Tracer 对象完成从像平面到源平面的光线追踪；输入三个及以上不同红移的星系时会按红移和宇宙学参数做多平面透镜计算。按官方文档，它可以拟合 CCD 成像数据和干涉阵列的可见度数据，覆盖单个星系、多星系、星系群和星系团尺度的透镜；API 还包括点源建模（多重像位置、通量和时间延迟）以及用 Delaunay 或矩形网格对源星系做像素化重建。拟合依赖同一团队的 PyAutoFit 执行贝叶斯非线性搜索，计算用 JAX 加速，文档称示例在 GPU 上明显更快。它也能模拟透镜图像，用于练习建模或生成机器学习训练集。仓库 2017 年在 GitHub 创建，截至 2026-10-20 未归档；PyPI 包名为 autolens，当前版本要求 Python 3.12 及以上，并固定依赖 nautilus-sampler==1.0.5。学习资料有官方文档、无需安装的 Colab 入门 notebook、覆盖各类用例的 autolens_workspace 示例库，以及面向本科以上读者的 HowToLens 讲义。README 还介绍了一个 AI Assistant，需要在 Claude Code 或 Codex 等编码 Agent 内运行，官方说明持续用于科研通常需要这些服务的付费权限。

干涉测量观测的透镜系统：ALMA 长基线观测拍到的 SDP.81 爱因斯坦环。PyAutoLens 支持拟合这类干涉阵列数据；本图并非 PyAutoLens 输出。作者：ALMA (NRAO/ESO/NAOJ)/Y. Tamura (The University of Tokyo)；来源：ESO eso1522c，经 Wikimedia Commons；许可：CC BY 4.0。

2026.10 系列版本的改动

以下日期按 GitHub Releases 记录的 UTC 时间。四份发布说明都写着“No direct changes in this release”，即 PyAutoLens 本体代码没有改动，列出的都是同步发布的上游组件变化。

• 2026.10.16.1（10 月 16 日）：PyAutoFit 把 emcee、Zeus、BFGS/L-BFGS、Dynesty、BlackJAX NUTS、SMC 和 MultiStart 等搜索迁到统一的 run(ctx) 执行框架，并补上新增搜索的模板（#1689–#1692）。同时新增搜索级 seed（#1686）：用户只需给一个种子，由 NumPy 的 SeedSequence 为初始化器和采样后端派生各自的随机流。DynestyDynamic 新增有效样本数 n_effective，并修复设定 iterations_per_full_update 时运行被截断的问题（#1665）。PyAutoArray 让线性求解和对数行列式共用同一次 Cholesky 分解（#634），干涉数据按成本模型在 numba 和 FFT 两种曲率矩阵算法间选择（#632），稀疏路径不再构造稠密映射矩阵（#630）。
• 2026.10.16.2（10 月 16 日）与 2026.10.17.1（10 月 17 日）：两份说明列出的是同一项 PyAutoFit 修复（#1698）。参数维度达到 91 及以上时，Nautilus 写检查点会超出 HDF5 旧文件格式 64 KiB 的对象头上限而报错；PyAutoFit 改用较新的 HDF5 格式写检查点，使中断后续跑在任意维度可用。运行前还会检查活点数 n_live 是否大于参数个数，不满足时直接报错，并新增 checkpoint=False 选项关闭检查点。
• 2026.10.18.1（10 月 18 日，核验时的最新版本）：PyAutoFit 修复显式固定的模型在 JSON 读写后丢失、分组模型摘要显示的数值端点错误、普通函数模型读不到配置先验等问题（#1705–#1708）；PyAutoArray 对 DelaunayNN 网格的成像拟合做了两项性能优化（#636、#637）。

透镜像的形状由前景星系的质量分布决定，因此强透镜是研究星系质量结构和暗物质的常用观测手段。对做这类研究的天文学者，PyAutoLens 把建立光与质量模型、光线追踪、与成像或干涉数据比较、用贝叶斯搜索估计参数及其不确定性这几步放进同一套 Python 接口，分析过程能以脚本形式保存和重跑；软件论文 2021 年发表在 Journal of Open Source Software，README 也给出了论文引用说明。这一轮更新的作用主要在推断过程的记录与复现。按 PR #1686 的说明，同一个种子能让 15 种搜索得到相同的初始点，研究者可以把种子与软件版本一并写进方法部分；Nautilus 的修复则让参数超过 90 个的高维模型也能写入检查点，在集群作业中断后接着运行，不必从头采样。

局限与注意事项

• 改动都在上游：四个版本的 PyAutoLens 本体没有代码变化，升级后的实际行为取决于同时安装的 PyAutoFit、PyAutoArray 和 PyAutoGalaxy 版本。版本号按日期编排、发布频繁，复现分析时应记录整套依赖的版本，而不只是 autolens 的版本。
• 可复现的范围有限：PR #1686 只保证同一种子下初始点一致；逐字节相同的采样结果只在一个平台上对 emcee 做过演示，Zeus 只有初始点受种子控制。不设种子时初始点来自系统熵，无法复现；过去靠设置 Python 全局 random 复现起点的脚本，现在需要改为显式传入 seed。
• 结果目录可能变化：同一 PR 说明，BlackJAX NUTS 和 SMC 显式传入非默认种子时，输出文件夹的标识会改变；接续旧结果前应先核对路径。
• Nautilus 修复是临时绕行：新的 HDF5 写法通过替换 nautilus 内部的文件参数实现，PR 注明 nautilus 上游修复后会移除；设为 checkpoint=False 时不写检查点，也就无法续跑。
• 加速与 AI 助手的条件：GPU 加速依赖可用的 JAX 环境，本轮发布说明没有给出新的速度数据。AI Assistant 只负责在编码 Agent 中组织调用，持续使用通常需要付费服务，生成的建模设置和结论仍需研究者检查。
• 模型与许可的边界：拟合结果取决于所选质量模型、先验和数据处理方式，不同模型可能给出不同的质量分布。MIT 许可只覆盖软件代码，望远镜观测数据按各自数据档案的政策使用。

本文依据 GitHub 仓库、Releases、上游 PR、PyPI 页面和官方文档整理，核验日期为 2026 年 10 月 20 日，未安装实测。建议的小规模验收（尚未执行）：用 autolens_workspace 中的模拟成像示例，以同一个 seed 连续运行两次 emcee 拟合，比较初始点和后验摘要是否一致；再中途中断一次 Nautilus 拟合，确认能否从检查点续跑，并记录全部依赖版本。

参考文献

1. PyAutoLabs. PyAutoLabs/PyAutoLens GitHub 仓库（核验日期 2026-10-20）
2. PyAutoLabs. PyAutoLens LICENSE（MIT）
3. PyAutoLabs. Release 2026.10.16.1，2026-10-16
4. PyAutoLabs. Release 2026.10.16.2，2026-10-16
5. PyAutoLabs. Release 2026.10.17.1，2026-10-17
6. PyAutoLabs. Release 2026.10.18.1，2026-10-18
7. PyAutoFit. PR #1686: feat: A4b search-level seed (SeedSequence fan-out, conditional identifier walk, legacy table)
8. PyAutoFit. PR #1698: fix: Nautilus live-point guard and HDF5 checkpoint format for D >= 91
9. autolens · PyPI
10. PyAutoLens 官方文档：Start Here
11. Nightingale, J., Hayes, R., Kelly, A., et al. (2021). PyAutoLens: Open-Source Strong Gravitational Lensing. Journal of Open Source Software, 6(58), 2825.

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

qsv 是 datHere 维护的命令行表格数据处理工具，用 Rust 编写，以 MIT 许可证开源，可对 CSV、Excel 等数据做查询、清洗、统计、校验、转换和绘图。2026 年 10 月 19 日发布的 26.0.0 版为 viz 命令新增极坐标柱状图、三元图和平行坐标图，扩充了 SQL 函数，并有两项会改变旧输出的变更。本文为资料核验，未安装实测。

仓库与许可证

截至 2026 年 10 月 20 日核验，GitHub 仓库 dathere/qsv 未归档，创建于 2020 年 12 月，主要语言为 Rust，项目主页为 qsv.dathere.com，维护方为 datHere。GitHub 对许可证的自动识别结果是“Other”，实际条款要看仓库文件：根目录 LICENSE-MIT 是 MIT 许可证，版权声明列出 2015 年的 Andrew Gallant 和 2026 年的 datHere, Inc.；COPYING 说明 qsv 早先采用 Unlicense 与 MIT 双许可，v21.1.1 之后去掉了 Unlicense，现在只采用 MIT，v21.1.1 及更早的版本仍可按 Unlicense 使用。26.0.0 标签下的 Cargo.toml 同样标注 MIT。

26.0.0 的更新内容

26.0.0 于 2026 年 10 月 19 日（UTC）在 GitHub Releases 发布，发布说明称距 25.0.0 约有 57 次提交，改动主要集中在 viz 绘图命令。viz barpolar 画风玫瑰式的极坐标柱状图：每个方向一根柱，从正北起顺时针排列，N、NE、NNE 等罗盘方位落在真实方位角上，加 --degrees 可直接读取数值方位角。viz ternary 把每行的三个分量换算成各自占三者之和的比例，画进三角形。viz parcoords 为每一行画一条横穿多个数值列的折线，在任一坐标轴上拖动即可筛选行。viz funnel 新增 --area，按各阶段占总量的份额决定面积。自动生成数据概览的 viz smart 也随之调整：小时、星期、月份这类周期面板改用极坐标柱状图，三个及以上数值列彼此相关时会加入平行坐标面板。

sqlp 命令借助 Polars 引擎执行 SQL 查询。这一版把 Polars 升级到上游提交 b951cd7，新增移动窗口框架（例如 ROWS BETWEEN 2 PRECEDING AND CURRENT ROW）、REGEXP_REPLACE、DATE_TRUNC、BIT_COUNT，以及带命名参数的 read_ndjson() 表函数。修复方面：7 个命令的 --delimiter 选项和环境变量 QSV_DEFAULT_DELIMITER 改为按文档规定的优先级生效；schema 生成的模式现在能通过其来源 CSV 的校验，涉及 --ignore-case、--enum-threshold 和非 ASCII 字符串长度，字符串长度改按 Unicode 字符而不是 UTF-8 字节计算；count --width 修正了带引号字段的宽度统计；geoconvert 能转换属性不一致的 GeoJSON 要素。

安装方式与运行环境

README 给出的安装方式有 GitHub Releases 上的预编译二进制、Windows MSI 安装器和从源码编译。预编译的 qsv 启用了除 Python 以外的全部适用功能；qsvlite 关闭了所有功能开关，而 viz 依赖功能开关，所以这个精简版不能画图。x86_64 预编译版面向 x86-64-v3 指令集，CPU 必须支持 AVX2、FMA 和 BMI1/BMI2，否则会以非法指令报错退出，只能从源码编译；macOS 版使用临时签名，首次运行前要在系统安全设置中放行，或移除文件的隔离属性。26.0.0 的 Linux x86_64（GNU）和 Windows x86_64（MSVC）压缩包都在 390 MB 以上，下载前要预留空间。想在 Python 中调用，可以用官方的 qsv-client（pip install qsv-client），它不附带 qsv 本体，需要另装 25.0.0 或更高版本。以上步骤本文没有在本机执行。

不少研究数据最初就是一张 CSV 或 Excel 表：问卷导出、仪器记录、野外采样、公开统计数据。qsv 把查看、清洗、统计、校验、转换和出图拆成可以串联的子命令，不必为每一步单独写 Python 或 R 脚本。它适合需要在服务器或终端里快速摸清一份大表的研究者，也适合把数据检查写进 shell 流程、批量处理多份同格式文件的课题组。按 README 的说明，readstat 能把 SAS、Stata、SPSS 文件转成 CSV，并保留变量标签、取值标签和缺失值代码等元数据；sqlp 用 PostgreSQL 风格的 SQL 查询 CSV、Parquet、JSONL 等文件，可以处理超过内存大小的 CSV；schema 和 validate 从一份数据推断 JSON Schema，再用它检查后续数据是否符合同一结构。

新增图表的研究用途

26.0.0 新增的三种图对应几类常见的研究数据。方向和周期数据首尾相接，画在直角坐标上会把 23 时和 0 时、12 月和 1 月分到两端；极坐标柱状图把它们排成一圈。官方示例是按风向计数、按风速分级堆叠的风玫瑰，同样的画法也适用于一天内的活动节律或逐月的季节分布。三元图用于三个分量合起来构成整体的数据，官方示例是土壤中砂、粉砂、黏土的比例，三种成分的配比也属于这一类。某一分量为空、不是数值、为负数，或三者之和为 0 的行会被跳过，跳过的行数输出到标准错误流，使用时应核对这个数字。平行坐标图把每个样本画成一条横穿多个数值轴的折线，适合在多参数实验或多指标样本中查看某个取值区间的组合，拖动坐标轴就能筛出这部分样本。漏斗面积模式的外轮廓总是逐级收窄，后一阶段比前一阶段大时，图上看不出增长，程序只给出警告，用于非单调数据时要留意。

升级风险与使用局限

升级到 26.0.0 之前，要先检查两项会改变已有输出的变更，发布说明称这正是版本号定为 26.0.0 而不是 25.1.0 的原因。第一，excel、jsonl、readstat 三个命令的输出改为遵循 QSV_DEFAULT_DELIMITER。如果设置这个变量只是为了读取分号分隔的文件，这三个命令现在也会输出分号，需要对它们取消该变量，或显式传入 --delimiter ,。第二，schema 会生成更严格的模式：输入中只有单一取值的列一律加上 const 约束，之后用 validate 校验新数据时，这一列出现任何其他值都会被拒绝。官方建议用有代表性的数据集生成模式，并对预期会变化的列放宽或删除 const、enum 约束。分批采集、陆续追加样本的研究数据尤其要注意这一点，例如第一批数据只来自一个采样点时，“采样点”一列会被锁定为这个值。

viz 输出的交互式 HTML 内嵌了 plotly.js，可以离线打开，但瓦片底图（viz map、viz choropleth --map）在查看时仍要联网。图中标题和标签是纯文本，不排版 LaTeX 公式。导出 PNG、SVG、PDF 等静态图，需要包含 viz_static 功能的版本，运行时还要装好 Chrome 或 Chromium 以及主版本匹配的 chromedriver，不支持 Firefox。生成的图能否直接用作论文插图，需要对照期刊要求检查字号、配色和分辨率。viz smart 的面板选择基于统计量和规则，可离线复现；可选的数据字典要调用大语言模型推断字段含义，结果应人工复核。

想先确认是否合用，可以做一个小规模验收（这是建议，本文未执行）：取一份自己的三组分或多指标数据，分别用 viz ternary 和 viz parcoords 生成 HTML，核对标准错误流报告的跳过行数是否与原表中的缺失和负值行一致；再拿一份曾用旧版本生成过模式的数据集，重新运行 schema 和 validate，看新增的 const 约束会拒绝哪些后续数据。

参考文献

• Release 26.0.0. dathere/qsv，GitHub，2026-10-19 发布。
• dathere/qsv. GitHub，2026-10-20 核验。
• README. dathere/qsv，2026-10-20 核验。
• LICENSE-MIT. dathere/qsv，2026-10-20 核验。
• COPYING. dathere/qsv，2026-10-20 核验。
• Cargo.toml（标签 26.0.0）. dathere/qsv，2026-10-20 核验。
• viz 命令帮助. dathere/qsv，2026-10-20 核验。
• qsv viz gallery. datHere，2026-10-20 核验。

品牌与发布说明

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

cogent3 是一个用于基因组序列分析的 Python 库，可做序列读写、多序列比对、系统发育建树和分子进化建模，代码采用 BSD 3-Clause 许可证。2026 年 10 月 15 日发布的 2026.10.15 版是一次维护更新，加入 Python 3.15 和 NumPy 2.5 支持，并修复 UnionDict 合并嵌套字典时可能无限循环的问题。本文为资料核验，未安装实测。

人类 MYBPH 直系同源序列的多序列比对。图片：AlexMMay，来源 Wikimedia Commons，许可 CC0 1.0。

项目定位与许可

cogent3 的代码托管在 GitHub 仓库 cogent3/cogent3（项目链接），文档位于 cogent3.org，由澳大利亚国立大学的 Gavin Huttley 维护，PyPI 和 bioconda 都提供安装包。它的前身是 PyCogent，导入名 cogent 可以追溯到 2004 年的 PyEvolve；项目说明，改名为 cogent3 是因为改动幅度很大，而且只支持 Python 3。官方介绍的功能分两类：一类是分子进化建模，提供多种非平稳马尔可夫替换模型（包括密码子模型）和一批时间可逆模型；另一类是日常序列数据处理，包括读写常见生物数据格式、按注释提取序列片段、用任一替换模型做多序列比对、构建和操作系统发育树、处理表格数据以及作图。项目称它既可以在 Jupyter 中交互使用，也能在拥有上千个处理器的计算系统上并行运行。资助方包括澳大利亚国立大学和陈-扎克伯格倡议（CZI）的科学基础开源软件（EOSS）资助。

许可方面，仓库中的 LICENSE 文件是 BSD 3-Clause 许可正文，2026.10.15 标签下的 pyproject.toml 也把 license 写为 BSD-3-Clause，PyPI 页面显示一致。按许可正文，源码和二进制形式都可以使用、修改和再分发，条件是保留版权声明和免责声明，且未经书面许可不得用版权人或贡献者的名义为衍生产品背书。这份许可覆盖的是 cogent3 本身的代码；piqtree、cogent3-h5seqs 等插件是单独发布的包，许可需要分别查看，本文没有逐一核对。以上许可信息的核验日期为 2026 年 10 月 21 日。

2026.10.15 版本的改动

GitHub Releases 页面显示，2026.10.15 由 Gavin Huttley 于 2026 年 10 月 15 日发布，对应提交 2798929，即合并 PR #2770（说明为“Fix dependency issue”）；PyPI 上的当前版本同为 2026.10.15。cogent3 用发布日期作版本号：2026 年截至 7 月 30 日的几个版本都带 a0 后缀，从 8 月 26 日的 2026.8.26 起不再带预发布标记。更新日志对本版的概括是一次小型错误修复，同时提升支持的 Python 版本。

运行环境方面，本版加入对 Python 3.15 和 NumPy 2.5 的支持。按 2026.10.15 标签下的 pyproject.toml，支持范围是 Python 3.11 至 3.15；NumPy 限定在 2.6 以下，文件注释给出的原因是 numba 对新版 NumPy 的支持总有滞后，在 Python 3.15 上还要求 numba 0.68.0 及以上。更新日志同时说明两个可选组件暂有限制：cogent3-h5seqs 暂时只在 Python 3.14 及以下安装，pyproject.toml 的注释解释是它依赖的 h5py 还没有 Python 3.15 的预编译包；piqtree 只在它发布了预编译包的平台安装，注释列出的是 Linux x86_64、macOS arm64 和 Windows AMD64，且只覆盖 Python 3.12 至 3.14。

错误修复针对 UnionDict。它是 cogent3 中的一个字典子类，键可以当属性访问，用 | 运算符合并时会逐层合并嵌套字典；官方文档说明它主要用于绘图模块 cogent3.draw 的 figure 和 layout 属性。旧版在两边都含有两层以上的同名嵌套字典时，合并会陷入无限循环，更新日志给的例子是 {"d": {"e": {"k": 1}}} | {"d": {"e": {"m": 2}}}。新版在构造和赋值时复制嵌套字典，| 合并不再改动两侧的原对象，不同的键也不会再共用同一个子字典；字典包含自身时，改为抛出 ValueError，而不是 RecursionError。文档方面，本版删除了引用 2026.9.10 中已移除模块（如 cogent3.util.io）的代码片段；2026.9.10 本身删除了所有标记为在 2026.9 移除的代码。

安装方式与 app 流程

官方 README 给出三种常用安装方式：大多数用户安装带 extra 的版本，会附带 Plotly 作图和 Jupyter 支持；在高性能计算系统上建议只装核心包，省去作图和笔记本组件；也可以在 conda 环境中从 bioconda 安装。若要用 Plotly 把图导出为静态图片文件，还需要安装 Chrome。以下命令摘自 README，本文没有在本机执行：

# recommended for most users: adds Plotly visualisation and Jupyter support
pip install "cogent3[extra]"

# minimal install for HPC systems
pip install cogent3

# from bioconda inside an activated conda environment
conda install bioconda::cogent3

cogent3 的 app 是预先写好的分析步骤，用 get_app() 按名称和参数创建，分为加载（名称以 load_ 开头）、写出（以 write_ 开头）和一般处理三类。几个 app 用 + 串成流程后，可以直接作用于单个文件，也可以通过数据存储（data store）作用于整个目录，不需要自己写循环。官方文档的例子是从 FASTA 格式的比对中抽出密码子第三位，再写到输出目录；下面的代码摘自文档，本文未运行，其中 path_to_dir 需换成实际目录：

from cogent3 import get_app, open_data_store

out_dstore = open_data_store(path_to_dir, suffix="fa", mode="w")

loader = get_app("load_aligned", format_name="fasta", moltype="dna")
cpos3 = get_app("take_codon_positions", 3)
writer = get_app("write_seqs", out_dstore, format_name="fasta")

# compose the apps into one process, then apply it to every fasta file in data/
process = loader + cpos3 + writer
dstore = open_data_store("data", suffix="fasta", mode="r")
result = process.apply_to(dstore)

app 的组合机制现在由独立的 scinexus 包提供。官方首页说明，这对 cogent3 用户没有影响，已有的 app 和数据存储照常可用；scinexus 已是必需依赖（2026.10.15 要求 2026.10.2 及以上版本），会随 cogent3 一起安装。用到部分工具函数的代码可能会收到弃用警告，提示改用 scinexus 中的对应写法。

cogent3 主要服务两类研究任务。第一类是用统计模型分析序列分化。项目主页指出，物种之间核苷酸组成不同的情况很常见，这时需要非平稳的替换模型，才能稳健地估计分支长度、衡量自然选择，相关方法见 Kaehler 等人 2015 年和 2017 年的论文；cogent3 提供这类模型及其密码子版本，也提供围绕它们做假设检验的 app。第二类是探索性的基因组数据分析，例如按注释提取片段、比对、建树和整理结果表。可组合的 app 让同一套流程先在一个文件上调通，再原样用于整个目录；官方文档把数据存储和失败记录列为 app 使用的两个核心概念，便于在批量分析中复查哪些记录没有完成。需要在论文中如实引用软件的研究者，可以用 app 的 .citations 和 .bib 属性汇总整条流程用到的软件引文并输出 BibTeX；用 apply_to() 运行时，引文还会自动保存到输出的数据存储中。插件机制允许第三方包扩展功能，例如 piqtree 通过 Alignment.quick_tree() 提供系统发育推断后端，cogent3-pykmertools 提供 Rust 实现的 k-mer 计数，cogent3-h5seqs 提供 HDF5 压缩的序列存储。2026.10.15 本身没有新增分析方法，对用户的意义主要有两点：计划在 Python 3.15 上运行分析的用户可以升级使用；自己用 UnionDict 合并多层作图设置的代码，不会再因嵌套合并而卡死。

AI 生成示意图：按 cogent3 官方文档示例绘制的 app 组合流程，FASTA 文件目录依次经过 load_aligned、take_codon_positions、write_seqs，再写入输出数据存储；非软件截图或运行结果。

局限与注意事项

选用前有几点需要注意。第一，本文为资料核验，未安装实测，没有在任何样本上运行上述命令和流程，也不把项目主页上与其他库的速度对比当作结论。第二，Python 3.15 的支持目前不完整：在 3.15 上暂时用不了 cogent3-h5seqs，piqtree 也只覆盖三个平台和 Python 3.12 至 3.14，依赖这两个插件的流程宜留在 Python 3.12 至 3.14。第三，NumPy 被限定在 2.6 以下，如果同一环境里有其他包要求更新的 NumPy，会出现依赖冲突。第四，从 2026.9.10 之前的版本升级时，原先标记为弃用的代码已经删除，用到 cogent3.util.io 等模块的旧脚本需要改写，部分工具函数还会提示改用 scinexus。第五，README 提醒 develop 分支的接口可能不经通知就改变，正式分析宜固定使用 PyPI 或 bioconda 上的发布版本。此外，非平稳模型和密码子模型的参数解释、模型比较都需要分子进化方面的统计背景，工具本身不能代替这类判断。

想判断它是否适合自己的项目，可以做一个小规模验收（这是建议，本文未执行）：在新建的虚拟环境中安装 2026.10.15，用 pip show cogent3 确认版本；准备一个只含几份 FASTA 比对的小目录，按上面的文档示例组合 load_aligned、take_codon_positions 和 write_seqs，用 apply_to() 批量运行，核对输出文件数量和失败记录，再查看流程的 .citations，确认引文是否齐全。计划在 Python 3.15 上运行的，另外确认流程没有用到 piqtree 和 cogent3-h5seqs。

参考文献

1. cogent3/cogent3. GitHub，2026-10-21 核验。

2. REL: 2026.10.15. GitHub Releases，2026-10-15 发布。

3. changelog.md. cogent3，2026-10-21 核验。

4. LICENSE（BSD 3-Clause License）. GitHub，2026-10-21 核验。

5. pyproject.toml（2026.10.15 标签）. GitHub，2026-10-21 核验。

6. cogent3 · PyPI. PyPI，2026-10-21 核验。

7. Making Sense from Sequence – cogent3. cogent3 文档，2026-10-21 核验。

8. Overview of using apps. cogent3 文档，2026-10-21 核验。

9. Writing your own apps. cogent3 文档，2026-10-21 核验。

10. Useful Utilities. cogent3 文档，2026-10-21 核验。

11. Kaehler B D, Yap V B, Zhang R, Huttley G A. Genetic distance for a general non-stationary Markov substitution process. Systematic Biology，2015，64: 281–293。

12. Kaehler B D, Yap V B, Huttley G A. Standard codon substitution models overestimate purifying selection for non-stationary data. Genome Biology and Evolution，2017，9: 134–149。

13. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

14. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

DSPy 是斯坦福 NLP 团队发起的开源 Python 框架（仓库 stanfordnlp/dspy，MIT 许可证），用声明输入输出的“签名”和可组合模块编写语言模型程序，再由优化器按评测指标调整提示。3.4.1 版于 2026 年 10 月 12 日（UTC）发布，GEPA 优化器默认改用结构化指令生成器，RLM 模块可在运行中构建子智能体。本文为资料核验，未安装实测。

AI 生成示意图：左侧任务卡片代表声明输入与输出的签名，中间的模块串成流程，右侧评分板把分数反馈给优化器，优化器再改写各模块的指令，形成闭环。画面为概念示意，不是 DSPy 的界面截图。

框架结构与安装

截至 2026 年 10 月 21 日核验，GitHub 仓库 stanfordnlp/dspy 未归档，创建于 2023 年 1 月，主要语言为 Python，最近一次推送在 10 月 20 日（UTC）。根目录 LICENSE 是 MIT 许可证，版权声明为“Copyright (c) 2023 Stanford Future Data Systems”，GitHub 元数据也识别为 MIT。DSPy 是调用语言模型的框架，实际使用的模型和接口服务另按各自的条款与计费。它的写法分三层：签名（Signature）用带类型的输入、输出字段声明任务，例如“摘要 → 研究设计、样本量”；模块（Module）决定签名怎样执行，dspy.Predict 直接生成，dspy.ChainOfThought 先推理再作答，dspy.ReAct 在推理循环中调用工具，多个模块可以用普通 Python 控制流组合；优化器以一组样例和一个评分函数为输入，自动改写各模块的指令或挑选示例，GEPA、MIPROv2 都属于这一层。官方给出的安装命令是 pip install -U dspy，要求 Python 3.10 及以上，3.4.1 声明支持到 Python 3.15。以上步骤本文没有在本机执行。

3.4.1 版本更新

3.4.1 于 2026 年 10 月 12 日（UTC）发布，是 GitHub Releases 上目前最新的正式版，官方升级命令为 pip install --upgrade "dspy==3.4.1"。第一项主要变化在 GEPA。GEPA 是 DSPy 中的反思式优化器，出自 Agrawal 等人 2025 年的论文：它运行程序、收集推理过程和工具调用轨迹，让一个“反思模型”分析评分与文字反馈，再提出新的指令。3.4.1 起，未指定 instruction_proposer 时 GEPA 默认使用 InstructionProposer。旧做法把反思样例拼成一段原始文本，再从反引号里取出新指令；新做法通过 dspy.Predict 和 JSONAdapter 调用反思模型，dspy.History 对话历史、工具轨迹和 dspy.Image 等图像输入都以结构化内容传入，不再被替换成文本占位。使用者还可以给它提供参考材料（skills，可以是含 SKILL.md 的目录）、对每次提案都生效的附加要求（additional_instructions）和指令字数上限（max_chars）；草稿超长时只尝试压缩一次，不会截断指令。发布说明特别指出，GEPA 原有的反思指令本身没有改。

AI 生成示意图：GEPA 的反思优化循环。程序在样例上运行，评分函数给出分数和文字反馈，反思模型结合工具轨迹、对话历史和图像等结构化输入分析运行记录，提出新指令后再交回程序评测。

第二项变化在 dspy.RLM。RLM 即递归语言模型（Recursive Language Model），面向放不进上下文窗口的长材料：模型先只看到材料的类型、长度和预览，在沙箱化的 Python 环境里写代码查看、筛选数据，并可对片段发起子调用。3.4.1 起，RLM 写出的代码可以 import dspy，现场构建 dspy.Predict、dspy.ChainOfThought、使用同一组工具的 dspy.ReActV2 或嵌套的 dspy.RLM，作为处理子任务的子智能体。子智能体在宿主进程中构建和运行，跨越解释器边界的只有 JSON。所有子智能体调用和 llm_query 一起计入 max_llm_calls 这一个预算；沙箱中的代码只能设置温度、最大长度等生成参数，不能改模型名、接口地址或密钥。该功能对所有 RLM 默认开启，没有关闭选项。

同一版本加入了 Python 3.15 支持，但在 3.15 上不会安装 litellm 和 gepa 两个依赖：需要 LiteLLM 回退的模型路由不可用，调用 dspy.GEPA 会直接报 ImportError。此外还修复了 3.4.0 中可能出现的 openai._models 导入崩溃，以及流式输出、适配器和工具默认参数序列化等问题。3.4.0 预告的语言模型接口调整仍然有效：旧式自定义 forward()/aforward() 语言模型和 OpenAI 风格的 messages= 调用等写法将在 3.5 中移除，lm("hello") 这种调用继续保留。

不少研究组已经用大模型做文献筛选、信息抽取、数据标注和分析辅助，提示词多靠反复试错手工调整，改了一句话之后效果变好还是变坏，常常说不清。DSPy 把这件事当作有数据、有指标的优化问题：先用签名和模块写出流程，再准备一组带人工标准答案的样例和评分函数，例如“抽取的样本量与人工标注是否一致”或“纳入排除判断的 F1 值”，由优化器在训练集上改写指令，再在独立的验证集上比较前后得分。这样，提示词的每次修改都对应可复查的分数和保存下来的程序文件（save() 输出的 JSON），论文的方法部分也能写清用了哪个模型、哪个优化器、多少样例。

3.4.1 的两项变化与科研流程有直接关系。GEPA 的反思输入保留了工具轨迹和图像，更适合优化需要检索、调用计算工具或读图的流程，例如从论文图表中读取数值；skills 参数则可以把课题组已有的标注规范交给反思模型作参考。RLM 的子智能体面向长材料：处理一批访谈转录或一份很长的实验日志时，模型可以自行切分，再为“逐段提取错误”“汇总证据”这类子任务临时搭建结构化模块，所有调用受同一个次数上限约束。在论文中报告用法时，可引用 DSPy 的原始论文（arXiv:2310.03714）和 GEPA 论文（arXiv:2507.19457）。

局限与注意事项

• 结果复现：3.4.1 改变了 GEPA 默认反思请求的格式，官方说明即使随机种子相同，优化结果也可能与 3.4.0 不同；RLM 提示词和 X | Y 类型注解的渲染方式也有变化，3.4.0 下的缓存和录制的模型响应不再命中。用作研究方法时，应锁定 DSPy 版本，保存评测数据、优化后的程序文件和所用模型名称。
• 反思模型：反思模型必须是 dspy.LM 或其他 dspy.BaseLM，并能返回可解析的 JSON。若模型用纯文本或代码块作答，提案会失败，GEPA 只在日志中记录并保留当前候选，整轮运行结束时程序可能根本没有被优化，需要检查日志，而不能只看是否跑完。
• 兼容性：dspy.ReActV2 的签名不能再声明名为 history 或 tools 的输入；在 3.4.0 中保存、含空（null）Score 等级描述的程序无法加载；重写 format_user_message_content 的自定义适配器需要增加 main_request 参数。离线使用内置模型元数据时，部分旧模型会失去工具调用、结构化输出等能力标记，DSPy 会在不提示的情况下改变请求方式。
• Python 3.15：在 3.15 上不安装 gepa 与 litellm，dspy.GEPA 不可用，需要 GEPA 的项目应停留在 3.10–3.14。
• 沙箱与数据：RLM 依赖 Deno 和 Pyodide 构建本地 WASM 沙箱；若改用在宿主进程中以 exec() 执行代码的解释器，调用预算和参数限制只能约束正常编写的代码，官方建议仅用于可信代码。所用模型若是外部 API，样例数据会发送给服务商，涉及受保护数据时需要另行评估。
• 评测设计：优化器只会朝评分函数指示的方向改进。样例太少或指标设计不当时，验证集上的提升未必能推广到新数据。

想先判断是否合用，可以做一个小规模验收（这是建议，本文未执行）：从课题组已有的人工标注中取 50 条摘要，分成训练集 30 条和验证集 20 条，用 dspy.ChainOfThought 写一个抽取研究设计与样本量的程序，先记录未优化时的验证集得分，再在固定的 3.4.1 版本下用 dspy.GEPA 优化并比较前后得分，同时人工检查优化后的指令是否引入了与标注规范不符的规则。

参考文献

1. stanfordnlp/dspy. GitHub，2026-10-21 核验。

2. LICENSE（MIT License）. GitHub，2026-10-21 核验。

3. DSPy 3.4.1. GitHub Releases，2026-10-12（UTC）发布。

4. DSPy 官方文档首页. 2026-10-21 核验。

5. dspy.RLM. DSPy 文档，2026-10-21 核验。

6. dspy.GEPA: Reflective Prompt Optimizer. DSPy 文档，2026-10-21 核验。

7. Khattab O, Singhvi A, Maheshwari P, et al. DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines. arXiv:2310.03714，2023。

8. Agrawal L A, Tan S, Soylu D, et al. GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning. arXiv:2507.19457，2025。

9. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

10. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

LangGraph 是 LangChain 公司维护的开源 Python 框架（仓库 langchain-ai/langgraph，MIT 许可证），把智能体流程写成由节点和状态构成的图，并用检查点逐步保存状态，让长任务在中断后能接着执行。1.2.15 版于 2026 年 10 月 12 日（UTC）发布，集中修复检查点写入、状态分支和恢复执行中的问题。本文为资料核验，未安装实测。

AI 生成示意图：研究流程被写成节点与箭头组成的图，每完成一步就存入一个检查点；中途暂停或出错后，可以从最近的检查点继续。画面为概念示意，不是 LangGraph 的界面截图。

框架结构与安装

截至 2026 年 10 月 21 日核验，GitHub 仓库 langchain-ai/langgraph 根目录的 LICENSE 是 MIT 许可证，版权声明为“Copyright (c) 2024 LangChain, Inc.”；PyPI 上 1.2.15 的许可证字段同为 MIT，要求 Python 3.10 及以上；仓库在 10 月 19 日仍有新版本发布。README 说明 LangGraph 受 Pregel 和 Apache Beam 启发，可以脱离 LangChain 单独使用；JavaScript/TypeScript 版本在另一个仓库 langchain-ai/langgraphjs。官方给出的安装命令是 pip install -U langgraph，PostgreSQL 和 SQLite 检查点分别是需要另行安装的 langgraph-checkpoint-postgres 与 langgraph-checkpoint-sqlite 包。同一公司提供的 LangSmith 观测与部署服务另有条款，不在这份 MIT 许可范围内；流程中调用的语言模型也按各自服务商的条款计费。以上安装步骤本文没有在本机执行。

使用 LangGraph 时，开发者先定义一份共享状态，再把检索、调用模型、运行工具等步骤写成节点，用边连接成图。图按“超步”（super-step）推进，同一超步中排到的节点可以并行执行。编译时接入检查点器（checkpointer）后，每个超步结束都会按线程（thread_id）保存一份状态快照；同一超步中已完成节点的输出也会先作为“待写入”记录保存，某个节点失败后从该超步恢复，成功的节点不必重跑。在这套机制上，interrupt 可以让流程停下等待人工输入，update_state 可以人工修改状态，get_state_history 可以回看每一步的快照，还能从较早的检查点分叉出另一条执行路径。写入时机分三种持久化模式：sync 在下一步开始前同步写入；async 在下一步执行时异步写入，进程崩溃时有少量丢失风险；exit 只在运行结束、出错或被中断时写入，性能最好，但无法从进程中途崩溃中恢复。

1.2.15 版本更新

1.2.15 于 2026 年 10 月 12 日（UTC）在 GitHub Releases 发布，更新说明中除一项依赖升级外都是修复，大致分四类。一是检查点写入：启用节点缓存时，命中缓存的节点现在会像实际运行的节点一样保存写入结果；通过 update_state 人工修改状态时，写入改为记在被修改的那个检查点上，bulk_update_state 中的每次修改也各自获得任务 ID。二是分支与恢复：从线程已经越过的旧检查点以 exit 模式重新运行时，它的写入不再混进较新的分支；恢复后的 exit 模式运行按实际发生顺序重放增量写入。三是 DeltaChannel：这是 1.2 起加入、仍处于测试阶段的状态通道，只保存增量，靠更早的检查点重建当前值，适合消息不断累积的长对话；本版修复了写入它的消息缺少 ID、分叉快照启动从未运行过的节点、写入失败后仍保存检查点等问题。四是中断与工具：在 interrupt_before 断点之前请求排空（drain）时，执行会在断点处停下；astream_events 的 v1/v2 事件流不再丢失控制与中断事件；预置的 ToolNode 不再吞掉无效的恢复输入。

AI 生成示意图：一条线程上依次保存的检查点。左侧表示从最近的检查点恢复执行，右侧表示 keep_latest 清理时只保留最新检查点、删除较早记录。画面为概念示意，不代表实际数据。

配套的 langgraph-checkpoint-postgres 3.2.0 于 10 月 14 日（UTC）发布，唯一的新功能是给 PostgresSaver 和 AsyncPostgresSaver 加上 prune/aprune。此前这两个类只继承了基类中直接报 NotImplementedError 的方法，长期运行的线程没有受支持的办法清理旧检查点。按合并请求 #9290 的说明，delete 策略在一个事务中删除指定线程的全部检查点、写入和数据块；keep_latest 只保留每个命名空间的最新检查点及其引用的数据，删除其余部分。使用了 DeltaChannel 的线程会被 keep_latest 拒绝，因为删掉旧检查点会让它无法重建当前值。截至核验日，LangGraph 的最新正式版已是 10 月 16 日（UTC）发布的 1.2.16，它继续修复恢复执行：恢复时 Command 中的状态更新只应用一次，子图不再重跑已完成的任务，恢复输入无效时同一步的其他任务仍能完成。

用大模型搭建的科研流程常由多个步骤组成，例如检索文献、筛选摘要、抽取数据、调用统计脚本，再交给研究者确认后继续分析。一次运行可能持续数小时，中途会遇到网络中断、接口限流或进程重启。LangGraph 把这些步骤写成显式的图，每一步的状态都存进检查点：进程崩溃后可以用同一个 thread_id 从最近的检查点继续，不必从头重跑已经付费的模型调用；需要人工判断的环节可以用 interrupt 停下，例如让研究者核对纳入排除结果后再进入数据抽取；get_state_history 能回看每一步的状态，便于排查错误，也便于在论文方法部分说明流程。1.2.15 修复的正是这些环节的正确性：人工修改的状态记在哪个检查点上、命中缓存的步骤有没有留下记录、从旧检查点重跑会不会污染新分支。这类错误通常不报错，只会让恢复后的状态悄悄偏离，在需要复查的研究流程中尤其难发现。PostgreSQL 检查点新增的 prune 则为长期运行的线程提供了控制存储增长的正式办法。

局限与注意事项

• 外部操作仍可能重复：检查点只保存图的状态。按官方中断文档，恢复时节点会从头重新执行，interrupt 之前的代码会再跑一遍。提交计算任务、写数据库、发送邮件这类操作应设计成幂等（例如用 upsert），或者放在 interrupt 之后、拆成单独的节点。
• 持久化模式要选对：exit 模式不保存中间状态，进程中途崩溃后无法从中间恢复，需要容错的长任务应使用 sync 或 async。InMemorySaver 只把检查点放在内存里，进程重启即丢失；本地实验可用 SQLite，长期运行可用 PostgreSQL。
• 测试阶段功能：本次多项修复集中在 DeltaChannel，官方文档标注它仍处于测试阶段，接口可能变化；使用它的线程也不能用 keep_latest 清理。
• 清理不可逆：prune 删除的检查点无法恢复，删除后也不能再回看或从中分叉。合并请求列出的已知限制包括：同一线程同时执行两次清理，可能有一次因序列化冲突或死锁失败（可以安全重试）；清理过程中从检查点分叉或重放并不安全；1.2.13 之前写入的部分线程可能绕过 DeltaChannel 检查；PostgreSQL 会复用释放的空间，但表文件不会缩小，需要 VACUUM FULL 或 pg_repack。
• 版本更新频繁：10 月 12 日到 16 日之间就发布了 1.2.15 和 1.2.16 两个版本。用于研究时应锁定 langgraph 及检查点包的版本，并在记录中写明。
• 使用门槛与数据：官方把 LangGraph 定位为底层编排框架，状态和节点需要自己用 Python 编写。所用模型若是外部接口，处理的数据会发送给服务商，涉及受保护数据时需要另行评估。

想先判断是否合用，可以做一个小规模验收（这是建议，本文未执行）：锁定版本后，用 SqliteSaver 搭一个“检索 → 筛选 → 人工确认”的三节点图，在人工确认节点调用 interrupt 之前向本地文件追加一行记录，模拟一次外部写入。流程停在确认处后结束进程，再用同一个 thread_id 恢复并提交确认，查看文件里的记录是否重复、get_state_history 中的各步状态是否符合预期，再把写入改成幂等操作重复一次作对照。计划使用 PostgreSQL 时，可以在测试库副本上对一条长线程执行 keep_latest，确认清理后仍能正常加载状态并继续运行。

参考文献

1. langchain-ai/langgraph. GitHub，2026-10-21 核验。

2. LICENSE（MIT License）. GitHub，2026-10-21 核验。

3. langgraph==1.2.15. GitHub Releases，2026-10-12（UTC）发布。

4. langgraph-checkpoint-postgres==3.2.0. GitHub Releases，2026-10-14（UTC）发布。

5. langgraph==1.2.16. GitHub Releases，2026-10-16（UTC）发布。

6. feat(checkpoint-postgres): add prune to PostgresSaver and AsyncPostgresSaver (#9290). GitHub，2026-10-14（UTC）合并。

7. langgraph 1.2.15. PyPI，2026-10-21 核验。

8. Checkpointers. LangChain 文档，2026-10-21 核验。

9. Interrupts. LangChain 文档，2026-10-21 核验。

10. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

11. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

OmicVerse（GitHub 仓库 omicverse/omicverse）是面向转录组和多组学分析的开源 Python 库，采用 GNU GPL 第 3 版许可，把 bulk RNA-seq、单细胞和空间转录组的常用方法接入同一套以 AnnData 为核心的接口。2026 年 9 月 23 日发布的 2.3.2 版重构了多面板绘图，并修复了空间、单细胞和 bulk 分析中的多处问题。

OmicVerse 单细胞分析模块概览与示例结果，涵盖细胞注释、细胞通讯、轨迹推断和通路评分（2024 年论文版本）。图源：Zeng Z 等，Nature Communications 15:5983（2024）图 5，CC BY 4.0。

项目定位与数据接口

项目 README 把 OmicVerse v2 描述为统一的 Python 项目，覆盖 bulk RNA-seq、单细胞、空间转录组、下游可视化、基于模型的分析和 AI 辅助工作流。它以 pandas、AnnData、NumPy 和 MuData 为数据底座，封装了 Scanpy、PyDESeq2、CellPhoneDB、Harmony、STAGATE、cell2location 等大量已发表工具，研究者可以用同一种数据对象串起质控、降维聚类、细胞注释、差异分析、细胞通讯和作图。项目的方法论文于 2024 年 7 月 16 日发表在 Nature Communications（第 15 卷，文章号 5983），除介绍整体框架外，还提出 BulkTrajBlend 算法：用 β-VAE 从 bulk RNA-seq 中解卷积出单细胞谱，再用图神经网络识别重叠的细胞群落，补回单细胞测序因技术限制而“遗漏”的细胞类型。

PyPI 上 2.3.2 的元数据要求 Python 3.9 及以上，并把 anndata 限定在 0.10 及以上、0.14 以下。README 建议先装好 PyTorch，再用 pip install -U omicverse 或 conda install omicverse -c conda-forge 安装；COMMOT、FlowSig、流式细胞、合成生物学等功能需按可选依赖组另行安装。v2 还提供 ov.Agent 自然语言分析接口和 MCP 服务端（python -m omicverse.mcp），可以把已注册的分析函数交给支持 MCP 的 AI 客户端调用。本文于 2026 年 10 月 21 日核对上述官方资料，属于资料核验，未安装实测。

2.3.2 版本更新内容

GitHub Releases 显示，v2.3.2 于 2026 年 9 月 23 日（UTC）发布，距 2.3.1 共 96 次提交，截至核对日仍是最新正式版本。改动最大的是绘图模块 ov.pl：新增 panelflow 版面引擎，先测量再摆放，多面板图按面板而不只是按画布确定尺寸；所有单坐标轴绘图函数都接受 ax= 参数，可以直接画进指定面板；新增通用桑基图和冲积图、基于 Marsilea 的可嵌入聚类热图、按计数绘制的细胞通讯热图和细胞比例趋势图。标签避让、刻度重叠、火山图图例等细节也有修正，plot_set 增加了中日韩字体回退。

空间组学模块 ov.space 修正了 STAligner 的批次识别与对齐，以及 Visium 的坐标、文库和图像变换，并要求 cell2location 和 RCTD 使用原始计数输入；SpaceFlow、STAGATE 的训练与输入，COMMOT、FlowSig 的输入校验也有调整。单细胞方面新增 Bonsai 细胞状态树的计算与绘图，支持 CellPhoneDB Method 3 并处理重复基因，修正扰动分析后端的输出与报错、RNA 速度下游分析的对齐，同时移除了 CytoTRACE2 和 scGPT 占位接口。bulk 与兼容性方面，pyDEG 增加输入校验并支持 GDC 临床字段，兼容 anndata 0.11 至 0.13 和新旧两代 zarr，还补入了 UCE 与 SAMap 的 MIT 许可。

对在 Python 里做转录组分析的研究者，OmicVerse 的主要用处是减少工具之间的格式转换：bulk、单细胞和空间数据都以 AnnData 等通用结构传递，换一种方法通常只需换一个函数，不必为每个工具单独整理输入。2.3.2 的绘图改动面向论文配图，面板尺寸可控，单张图能放进指定坐标轴，多面板图可以在代码里拼好再导出，减少手工排版。空间组学用户则多了一道输入检查：对原始计数的强制要求，可以在源头避免把标准化后的数据送进 cell2location 或 RCTD 这类基于计数建模的方法。

适用场景与验收建议

方法论文用两组案例展示了典型流程。bulk 部分以阿尔茨海默病数据为例，依次用 pyDEG 做差异表达、pyGSEA 做基因集富集、pyWGCNA 构建共表达网络；单细胞部分以结直肠癌数据为例，串起 pySCSA 自动注释、AUCell 通路评分、SEACells 元细胞、pyVIA 轨迹推断和 CellPhoneDB 细胞通讯，论文报告自动注释与人工注释对比的 F1 分数为 0.856。这些数字是作者在论文数据上得到的结果，不能直接外推到其他数据集。

OmicVerse 的 bulk RNA-seq 分析流程：差异表达、基因集富集、蛋白互作与共表达网络，以阿尔茨海默病数据为例（2024 年论文版本）。图源：Zeng Z 等，Nature Communications 15:5983（2024）图 4，CC BY 4.0。

它更适合已经用 Python 处理组学数据、希望在一个环境里覆盖多类分析的研究生和课题组；已有成熟 R 或 Seurat 流程、只做单一分析的团队，迁移收益要看具体任务。可以先做一次小规模验收：在独立虚拟环境中固定 2.3.2 版本，跑通官方文档里的一个单细胞教程，再拿一份已经用 Scanpy 或 Seurat 分析过的数据，比较聚类、标记基因和差异基因是否一致。这是建议步骤，本文没有执行。

局限、许可与注意事项

OmicVerse 的许多功能是对第三方方法的封装或重新实现，结果受原方法的假设、参数和依赖版本影响。统一接口降低了调用门槛，却不会替研究者判断某种方法是否适合自己的数据类型。发表时应同时引用 OmicVerse 和实际使用的原始方法，并记录 OmicVerse 与关键依赖的版本。

项目迭代很快。Releases 页面显示，2026 年 6 月至 9 月先后发布了 2.2.1、2.2.2、2.2.3、2.2.4、2.3.0 和 2.3.2，其间有过不兼容改动：2.2.2 起 inferCNV 必须指定测序平台或显式阈值，2.3.2 移除了 CytoTRACE2。长期项目应在环境文件里锁定版本，升级前重跑关键步骤。依赖也较重：需要先装 PyTorch，部分功能依赖 GPU 或额外安装项，anndata 还有版本上限，与已有环境共存时容易冲突，最好单独建环境。

仓库代码采用 GNU GPL 第 3 版，在研究中运行程序不受限制；分发修改版或包含 OmicVerse 的软件时，须按 GPL-3.0 提供对应源代码并附许可证文本。它集成的第三方方法和基础模型（如 Geneformer、scFoundation、UCE）各有许可证和权重使用条款，再分发前要逐项核对。ov.Agent 需要接入外部大模型服务，并在本地执行生成的代码，使用时应先审查代码，不把输出直接当作分析结论。

项目入口：GitHub 仓库 omicverse/omicverse、v2.3.2 发布页、官方文档。

参考文献

1. omicverse/omicverse（GitHub 仓库）

2. omicverse 2.3.2 发布页（GitHub Releases）

3. omicverse Releases 列表

4. omicverse v2.3.2 LICENSE（GNU GPL v3）

5. omicverse 2.3.2（PyPI）

6. OmicVerse 官方文档

7. Zeng Z, Ma Y, Hu L, et al. OmicVerse: a framework for bridging and deepening insights across bulk and single-cell sequencing. Nature Communications, 2024, 15: 5983

8. OmicVerse README（master 分支）

9. OmicVerse: a framework for bridging and deepening insights across bulk and single-cell sequencing

10. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

11. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

OpenAlex MCP Server 是开放学术数据库 OpenAlex 的官方 MCP 服务端，仓库为 ourresearch/openalex-mcp-server，采用 MIT 许可证。它让 Claude 等支持 MCP 的 AI 助手直接检索论文、追踪引用、核对参考文献并统计研究产出，每次检索都返回可复现的 OQL 查询。项目尚未发布正式版本。本文为资料核验，未安装实测。

基于 OpenAlex 数据绘制的各学科论文数量逐年变化（2012–2021 年）。作者 Shubhanshu Mishra，来源 Wikimedia Commons，采用 CC BY 4.0 许可。图中数字反映的是作者绘制时的 OpenAlex 数据，不代表当前数据量，也不是 MCP 服务的输出。

服务形态与接入方式

截至 2026 年 10 月 21 日核验，GitHub 仓库 ourresearch/openalex-mcp-server 由 OpenAlex 的维护方 OurResearch 发布，创建于 2026 年 9 月 19 日，主要语言为 TypeScript，未归档，最近一次推送在 10 月 20 日（UTC）。根目录 LICENSE 为 MIT 许可证，版权声明是“Copyright (c) 2026 OurResearch”，GitHub 元数据也识别为 MIT。MIT 覆盖的是服务端代码；README 说明 OpenAlex 数据本身以 CC0 发布，而通过 API 查询数据另按 OpenAlex 的额度规则计费。

普通用户不需要自己部署。官方托管的端点是 https://mcp.openalex.org/mcp，采用 MCP 的 Streamable HTTP 传输。按官方帮助页，Claude 用户可从连接器目录添加 OpenAlex，或把这个地址加为自定义连接器；Claude Code 用 claude mcp add --transport http openalex https://mcp.openalex.org/mcp 添加；其他客户端只要支持 Streamable HTTP 和 OAuth 也可以接入。首次连接会跳转到 openalex.org 登录并批准授权，之后每次查询都使用用户自己的 OpenAlex API 密钥和每日额度，没有共享密钥，也不能免登录查询；如果用户拥有 OpenAlex 机构账户，则改用机构的密钥。仓库代码部署在 Cloudflare Workers 上，README 中的本地开发流程需要 OpenAlex 用户服务的地址和共享密钥，主要服务于官方自身部署，公开源码的作用更多是让外界审阅服务如何处理请求。以上接入步骤本文没有执行。

版本状况与近期提交

这个项目目前没有任何 GitHub Release、标签或 CHANGELOG 文件，package.json 中的版本号为 0.1.0 并标记为 private（不发布到 npm），因此给不出正式版本号和发布日期，实际行为以官方托管端点的持续部署为准。近期变化只能从提交记录了解。按 GitHub 显示的日期，10 月 11 日的一组提交删除了 /chat 路由，改由 /query/text 接口处理；从 10 月 11 日到 20 日，大量提交集中在一个把自然语言问题写成 OQL 查询的“query writer”模块上，例如检查提交的检索词必须是用户自己输入过的词、年份趋势保留用户要求的时间范围、按机构查找研究者时的匹配规则等。10 月 15 日加入了只上报错误的 Sentry 监控，并把生产环境日志导出到 Better Stack；10 月 12 日和 15 日同步了服务内置的文档，其中包括写明 API 实际的每秒请求上限。提交说明没有逐条交代这些改动对 MCP 工具输出有何影响。

用大模型查文献时，常见的问题是它给出不存在的论文、写错 DOI 或弄混作者。OpenAlex MCP 让助手通过工具调用 OpenAlex 的结构化数据：论文、作者、机构、期刊、主题和资助方都有稳定的 ID，回答里的元数据来自实际返回的记录，而不是模型凭记忆生成，不过助手在转述时仍可能出错。对研究工作更有用的是可复现性：每次检索都附带实际运行的规范 OQL（OpenAlex 查询语言）和一个可重跑的链接，研究者可以把它贴进 openalex.org 的 OQL 页面复查或手动修改，也可以连同检索日期写进系统综述的方法部分。它适合三类辅助工作：综述前期调试检索式，写作和审稿时核查参考文献，以及按机构、国家、年份或主题做文献计量统计。

主要工具与研究用途

两份官方材料给出的工具清单并不一致。仓库 README 列出 10 个工具，并写明“所有工具均为只读”；OpenAlex 帮助页“AI agent connector”列出 16 个：11 个读取 OpenAlex 数据，5 个在用户要求时管理本人的作者档案。calculate_works 和 check_oql 只见于 README，keyword_search、find_keywords、read_docs 和作者档案工具只见于帮助页。实际可用的工具以连接后客户端显示的清单为准。按研究用途归纳如下：

• 文献检索：search_works 支持布尔关键词检索和语义检索（mode: "semantic"），可按年份、类型、开放获取、被引次数以及作者、机构、期刊、主题、资助方 ID 过滤，也可直接传入 OQL；preview: true 只返回命中数、规范 OQL 和一组样本，用来调整检索式。帮助页所列的 keyword_search 把主题拆成几部分分别匹配，返回每部分的计数和随机样本，便于检查结果是否切题。
• 参考文献核对：resolve_references 一次核对最多 25 条引用，输入可以是 DOI、PMID 或自由文本，返回每条是否存在、匹配的可信程度，并补全 DOI；get_work 按 OpenAlex ID、DOI、PMID 或 PMCID 取回单篇文献的完整记录，包括全部作者与单位、摘要、主题、资助信息和逐年被引数。
• 引用关系：list_citations 列出引用某篇论文的文献、它引用的文献或相关文献。
• 作者、机构与期刊：search_entities 和 get_entity 查询作者、机构、期刊、主题、资助方和出版商，例如找出某机构研究某主题的学者，或某领域不收文章处理费的开放获取期刊。
• 文献计量：group_works 按作者、机构、国家、期刊、年份、主题、开放获取状态、是否进入被引前 10% 等维度计数；analyze_works 一次给出一组文献的总量、开放获取比例、高被引比例、年度趋势，以及主要领域、机构、国家、资助方和国际合作比例。
• 作者档案修正：帮助页列出的 claim_author_profile、find_candidate_works、submit_curations 等工具可认领并修正本人在 OpenAlex 的作者档案。这些是写操作，每次修改记录为可撤销的更正，约两天内生效。

引用网络示例：假设某领域有六篇论文，按写作先后编号，节点大小与被引次数成正比，对应 list_citations 所查询的“谁引用了谁”。作者 Ali Ekramian，来源 Wikimedia Commons，采用 CC0 1.0 公有领域贡献。图为假设的小型网络，不是 OpenAlex 的数据。

局限与注意事项

• 费用与额度：必须登录，查询计入用户自己的 API 额度。免费账户每天有 1 美元额度；按标识符取单条记录免费，列表过滤每千次 0.10 美元，关键词检索和语义检索每千次 1 美元。连接器默认对按相关性排序的检索做重排，每次检索消耗 20 个额度单位（credit），而不是直接调用 API 时的 10 个。额度用完后单条查询仍可用，其他请求在 UTC 午夜恢复。
• 能力边界：帮助页写明，连接器不能统计一组文献的引用总数，不能批量导出完整结果集（需要用网站导出、命令行工具或数据快照），也不下载全文 PDF，只告诉用户免费全文在哪里。
• 核对范围：resolve_references 只能判断一条引用能否对应到 OpenAlex 中的真实记录以及匹配程度，不能判断该文献是否支持正文里的具体论断。OpenAlex 的作者消歧、机构归属和主题分类也可能出错；回答存疑时，应让助手给出实际运行的 OQL，到 openalex.org 复查。
• 默认过滤：撤稿文献默认被排除，包括用户自己写的 OQL 查询；需要时要明确要求包含。
• 隐私：工具参数会转发给 OpenAlex API。服务端不保存对话内容，只记录工具名、耗时、额度用量和成败，不含查询文本；但经由用户密钥发出的 API 请求进入 OpenAlex 的请求日志，保留 90 天。检索尚未公开的研究方向时需要考虑这一点。
• 文档与版本：README 指向的文档地址 help.openalex.org/api/mcp/ 在核验时返回 404，当前说明位于帮助页“AI agent connector”。项目没有版本号，服务行为可能随部署变化；用于系统综述时，应同时保存检索日期和每次运行的 OQL。
• 客户端：帮助页称 ChatGPT 版本“即将推出”，目前 ChatGPT 只能通过 API 密钥使用 OpenAlex。Claude 免费计划只允许通过地址添加 1 个连接器，从连接器目录添加不受此限制。

想先判断是否合用，可以做一个小规模验收（这是建议，本文未执行）：从自己已核对过的参考文献中取 20 条，故意改错其中 5 条的年份、作者或 DOI，再编造 2 条不存在的文献，交给 resolve_references 核对，记录它能否识别出全部错误；再就一个熟悉的主题做一次检索，把回答中给出的 OQL 贴到 openalex.org 重跑，比较两边的命中数是否一致。

参考文献

1. ourresearch/openalex-mcp-server. GitHub，2026-10-21 核验。

2. README. GitHub，2026-10-21 核验。

3. LICENSE（MIT License）. GitHub，2026-10-21 核验。

4. package.json. GitHub，2026-10-21 核验。

5. Commits · main. GitHub，2026-10-21 核验。

6. AI agent connector. OpenAlex Help，2026-10-21 核验。

7. Example costs. OpenAlex Help，2026-10-21 核验。

8. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

9. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

一页用 LaTeX 排版的芬兰语示例文档，仅作题图，与 PaperOrchestra 的输出无关。图：Tmn，来源 Wikimedia Commons（File:LaTeX-esimerkki.svg），公有领域。

PaperOrchestra（GitHub：Ar9av/PaperOrchestra）是一套供编码 Agent 调用的论文写作技能包，按 Song 等人 2026 年的同名论文实现五步写作流程，由社区开发者维护，不是论文作者发布的代码。2026 年 9 月 21 日发布的 v0.3.0 新增四个确定性检查器，用来排查缺少出处的数值、不规范的表格、遗漏的图片和结构松散的段落。本文为资料核验，未安装实测。

项目来源与许可

PaperOrchestra 的依据是 Yiwen Song、Yale Song、Tomas Pfister 和 Jinsung Yoon 在 arXiv 发布的论文《PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing》（arXiv:2604.05018）。论文把写作拆给大纲、绘图、文献综述、章节写作和内容精修五个智能体，并构建了 PaperWritingBench：从 CVPR 2025 和 ICLR 2025 共 200 篇论文中逆向整理出研究想法和实验日志，再让系统据此写稿。作者报告，在人工对比评估中，PaperOrchestra 的文献综述质量比自动化基线高出 50%–68% 的绝对胜率差，整体质量高出 14%–38%。这些是论文作者对其系统的评估，不是对本仓库实现的测评。

仓库把论文附录中的提示词、JSON 模式和停止规则整理成一组 SKILL.md 指令文档，另配只做机械工作的 Python 脚本，例如输入校验、引文模糊匹配、BibTeX 格式化和 LaTeX 检查。按 README 的说明，技能层不内嵌大模型调用，也不要求 API 密钥；推理和检索由宿主 Agent 完成，README 列出的宿主包括 Claude Code、Cursor、Antigravity、Cline 和 Aider。使用时在 workspace/inputs/ 中放入研究想法 idea.md、实验日志 experimental_log.md、会议模板 template.tex 和投稿要求 conference_guidelines.md，流程输出 LaTeX 论文。如果实验记录散落在各个 Agent 的缓存目录里，可选的 agent-research-aggregator 技能会先把它们整理成前两份输入文件，并请用户审阅。

2026 年 10 月 21 日核对时，LICENSE 正文为 MIT 许可（Copyright (c) 2026 ar9av），文末另有附注：skills 目录中逐字转录的论文提示词摘自原论文，属于论文作者的智力成果，转载仅为忠实实现，使用时应引用论文。因为有这段附注，GitHub 的许可证自动识别结果显示为“Other”，而不是 MIT。仓库没有归档，v0.3.0 之后仍有提交，最近一次是 2026 年 10 月 11 日合并的拉取请求，为文献综述智能体增加了可选的 Serply 检索后端。

v0.3.0 更新内容

GitHub Releases 与 CHANGELOG 记录的 v0.3.0 发布日期均为 2026 年 9 月 21 日。这一版新增四道确定性检查（项目称为 gate），每道都配有只依赖 Python 标准库的回归测试，四组合计 72 项；没有新增依赖，也没有改变各步骤的大模型调用次数。

• 主张与证据对照（claim_evidence_gate.py）：针对真实 LaTeX 稿件重写。稿件里的每个数值应能在实验日志中找到，或所在句子带有引用，否则列为待补证据。--out-md 输出“数值｜章节｜主张｜证据｜状态”表，缺证据的条目排在最前，可以直接当作修改清单。它仍是警告级检查，不会中止流程。
• 表格检查（table_lint.py）：按 booktabs 排版惯例检查生成的表格。竖线、\hline、缺少 \toprule 或 \bottomrule、表题位于表格下方等记为错误；数值列没有 ↑/↓ 方向标记、同一列小数位数不一致、表格放在结论之后等记为警告。
• 图片检查（figure_lint.py）：检查每张图是否有图注、图注是否对应实际文件、分辨率和宽高比是否合适。加 --paper 参数时，还会核对正文是否用到了每张已生成的图、是否引用了不存在的文件。PNG 尺寸直接从文件头读取，不引入图像处理库。
• 反向提纲（reverse_outline.py）：把每段压缩成一句主题句，标记缺少主题句、段落过长、一段内多次转向、孤立段落和引用堆砌等问题。默认只给提示，加 --strict 时只要有标记就以非零状态退出。

AI 生成示意图：PaperOrchestra v0.3.0 四个检查器在五步写作流程中的位置——图片检查位于第 2 步绘图，表格检查位于第 4 步章节写作，反向提纲位于第 5 步精修，主张与证据对照把稿件数值与实验日志和引用逐条对照。依据项目 CHANGELOG 整理，不是界面截图或运行结果。

同一版本修复了主张与证据对照在真实 LaTeX 上几乎失效的问题：旧代码把 \% 当成注释起点，按纯文本格式匹配数字，又在判断数值归属之前删掉了 \cite{...}。CHANGELOG 记录，在仓库自带的示例论文上，可提取的主张从 1 条增至 52 条，其中 28 条对应实验日志，24 条正确归为引用他人的结果；人为插入一个没有引用的虚构结果后，检查会以非零状态退出，而旧版会放行。v0.3.0 还新增 section_rhetoric.md，为摘要、引言、相关工作、方法、实验和结论提供段落结构模板，接入第 3 至第 5 步。项目说明，这些模板、反向提纲做法和表格可读性规则改编自 MIT 许可的 Master-cai/Research-Paper-Writing-Skills，后者整理自 Peng Sida 公开的论文写作笔记。

对科研用户来说，v0.3.0 最实用的部分不是再生成一遍全文，而是把一部分能机械判定的投稿前问题变成可以反复运行的检查：哪些数值在实验日志里找不到、也没有引用，哪些表格不符合常见排版惯例，哪些图生成了却没被正文使用，哪些段落缺少主题句。同一份稿件每次运行得到的结果相同，每条标记都能对应到具体的数值、表格或段落，适合作为人工修改前的待办清单，也适合在 Agent 生成初稿后做第一层把关。主要适用对象是用 LaTeX 写作、保留结构化实验记录的计算类研究者；原论文的基准数据来自 CVPR 和 ICLR，流程设计也以 AI 方向的会议论文为参照。

安装方式与使用成本

README 给出的安装方式是克隆仓库，执行 pip install -r requirements.txt 安装辅助脚本的依赖，再把 skills 下的各技能目录软链接到宿主 Agent 的技能目录（Claude Code 为 ~/.claude/skills），然后在 Agent 中要求对 ./workspace 运行 paper-orchestra 流程。辅助脚本不联网、不调用模型；完整流程的模型调用由宿主 Agent 承担，README 估计绘图和文献综述两步各需约 20–30 次调用，内容精修约 5–7 次。可选集成会带来额外的密钥或费用：Semantic Scholar API 密钥用于提高检索限速，Exa 检索需要 EXA_API_KEY（README 标注每次查询约 0.007 美元），PaperBanana 绘图后端需要 Gemini 或 OpenRouter 密钥。

如果只想评估这几个检查器，可以先做一次小规模验收：选一篇自己已经完成、保留了实验记录的 LaTeX 论文，按项目要求整理出 experimental_log.md，运行主张与证据对照、表格检查和图片检查，再逐条核对被标记的问题，记下误报和漏报。这是建议的验收方法，本文没有执行。

局限与注意事项

• 这是社区开发者的实现，不是论文作者发布的代码。论文中的基准成绩针对作者的系统，不能直接当作本仓库的效果。
• 检查器只核对形式和可追溯性：数值能否对上实验日志或引用，表格、图片和段落是否符合规则。它们不判断结论是否正确、引用是否真正支持相应说法，也不能代替导师审阅或同行评议。
• 规则面向 LaTeX 稿件和 booktabs 表格，图片尺寸按 PNG 文件头读取，图注字数等阈值按英文写作设定；项目资料中没有关于 Word 稿件或中文论文的说明。
• MIT 许可覆盖仓库代码，逐字转录的论文提示词另有附注；转载或再分发这部分内容前，应先阅读 LICENSE 附注并引用原论文。
• 用它生成或修改投稿稿件之前，应查阅目标期刊或会议关于生成式 AI 使用与披露的现行规定。
• 本文依据 2026 年 10 月 21 日的仓库页面、Releases、CHANGELOG 和 LICENSE 写成，属于资料核验，未安装实测。

参考文献

1. Ar9av. PaperOrchestra（GitHub 仓库与 README）. https://github.com/Ar9av/PaperOrchestra（2026-10-21 访问）

2. Ar9av. v0.3.0 — deterministic quality gates and the section-rhetoric layer（GitHub Release，2026-09-21）. https://github.com/Ar9av/PaperOrchestra/releases/tag/v0.3.0

3. Ar9av. PaperOrchestra CHANGELOG. https://github.com/Ar9av/PaperOrchestra/blob/main/CHANGELOG.md（2026-10-21 访问）

4. Ar9av. PaperOrchestra LICENSE. https://github.com/Ar9av/PaperOrchestra/blob/main/LICENSE（2026-10-21 访问）

5. Song Y, Song Y, Pfister T, Yoon J. PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing. arXiv:2604.05018, 2026. https://arxiv.org/abs/2604.05018

6. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

7. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

PyGAD 是用 Python 构建遗传算法的开源库，仓库为 ahmedfgad/GeneticAlgorithmPython，采用 BSD-3-Clause 许可证。2026 年 10 月 9 日和 11 日先后发布的 3.8.0 与 3.8.1 修正了排序选择、SBX 交叉和整数变异中的偏差与溢出，同一随机种子下的结果可能与旧版不同。本文为资料核验，未安装实测。

演化算法的一般过程示意。遗传算法是演化算法的一类，PyGAD 提供的父代选择、交叉和变异算子对应这一过程中的各个环节；本图是通用算法示意，不是 PyGAD 的界面或运行结果。图：Jorge.maturana，来源 Wikimedia Commons，许可 CC BY 3.0。

仓库、许可与使用方式

截至 2026 年 10 月 21 日核验，GitHub 仓库 ahmedfgad/GeneticAlgorithmPython 创建于 2018 年 12 月，未归档，最近一次推送在 10 月 17 日（UTC），文档位于 pygad.readthedocs.io。根目录 LICENSE 是 BSD 三条款许可证正文，版权声明为“Copyright GeneticAlgorithmPython Contributors”，GitHub 元数据同样识别为 BSD-3-Clause：允许修改和再分发，须保留版权声明和免责条款，且未经书面许可不得用版权人或贡献者的名义为衍生产品背书。项目要求 Python 3.8 及以上，核心依赖只有 NumPy 和 cloudpickle；绘图需要 matplotlib，生成 PDF 报告另需 reportlab，Keras、TensorFlow、PyTorch 属于可选的深度学习依赖。官方文档给出的安装命令是 pip3 install pygad，本文没有在本机执行。

使用 PyGAD 的核心是自己写一个适应度函数：它接收一个候选解（一组基因值），返回一个分数，分数越高表示解越好。函数返回单个数值时按单目标问题处理，返回列表、元组或 NumPy 数组时按多目标问题处理。随后在 pygad.GA 中设定代数、种群规模、基因数量和初始取值范围，以及父代选择、交叉和变异方式，调用 run() 运行，再用 best_solution() 取出最优解。库内按用途分成若干模块：pygad.utils 存放交叉、变异、父代选择算子和 NSGA-II、NSGA-III 多目标算法，pygad.visualize 负责绘图，pygad.gann、pygad.kerasga、pygad.torchga 用遗传算法训练神经网络或 Keras、PyTorch 模型。作者 Ahmed Fawzy Gad 在《Multimedia Tools and Applications》上发表过介绍该库的论文，文档建议使用者引用。

3.8 版的修正与后续版本

3.8.0 的发布说明注明发布日期为 2026 年 10 月 9 日，GitHub 上的发布记录时间为 10 月 10 日（UTC），共列出 35 项改动，其中几项直接关系到算法是否按定义运行。排序选择（rank selection）本应按适应度从好到坏排名，排名越靠前的解越容易被选为父代；旧实现存在偏差，反而让较差的解获得更高的选择概率。新版改为按从优到劣的顺序分配递减权重，并用回归测试核对精确概率、负适应度、多目标向量和并列排名（issue #120）。SBX 交叉（模拟二进制交叉）原先偏向数值较低的子代，现在以相等概率取较低或较高的一个（PR #376）。两点交叉的两个切点改为在全部位置中等概率抽取，单基因时不再报切片错误（PR #371）；交换变异可以选中任意两个不同位置（PR #375）；随机通用抽样按实际请求的父代数量设置指针间距（issue #85）；打乱变异可以产生选定片段的任意排列（issue #76）。

同一版本还调整了几处影响复现和诊断的机制。每个 GA 实例改为持有自己的 NumPy 和 Python 随机数生成器，检查点会保存生成器状态，自定义算子和回调也能调用这两个生成器。并行适应度计算在串行、线程和进程三种模式下使用相同的缓存与校验规则；适应度出现 NaN、空向量或目标数量不一致时，会在父代选择之前直接报错。saturate_N 停止条件改为检查连续未变化的代数，saturate_1 不再让仍在改进的运行提前停止。新增的 plot_lifecycle() 方法可以画出当前实例配置的算子、回调和停止条件，并导出为 SVG、PNG 或 PDF。发布说明同时提醒：各算子消耗随机数的方式变了，同一个 random_seed 在同一版本和环境中仍可复现，但结果可能与旧版本不同。

演化算法的循环：i 为初始化，f(X) 为评估，? 为停止判断，Se 为选择，Cr 为交叉，Mu 为变异，Re 为替换，X* 为输出的最优解。PyGAD 3.8.0 修正的排序选择和随机通用抽样属于 Se 环节，SBX 与两点交叉属于 Cr 环节，交换变异、打乱变异以及 3.8.1 的窄整数裁剪属于 Mu 环节。本图是通用算法示意，不是 PyGAD 官方图或运行结果。图：Johann “nojhan” Dréo，来源 Wikimedia Commons，许可 CC BY-SA 3.0。

3.8.1 于 2026 年 10 月 11 日发布，处理的是整数基因。当使用者显式指定 numpy.uint8、numpy.int8 这类窄整数类型时，随机变异和自适应变异生成的数值可能超出类型范围，转换时报溢出错误，或者发生回绕，也就是越界的数从另一端绕回来，类似 uint8 中 256 变成 0。新版在转换前先把数值裁剪到该类型的上下限之内，同一规则覆盖加性与替换式变异、约束候选值和重复基因修复（issue #379）。另一项修复针对 Windows 上的 NumPy 1.x：Python 整数现在统一以有符号 64 位存储，解决了大整数转换和种群初始化失败的问题；使用者自己提供的 Python 整数种群值必须落在 64 位范围内，更大的整数需要设 gene_type=object。持续集成现在在 Windows 上同时测试 NumPy 1.24.4 和最新版，此前在 NumPy 1.24.4 下失败的 16 个 Windows 测试已修复，最低 NumPy 版本没有提高。

3.8.1 已不是最新版本。截至 10 月 21 日，GitHub Releases 上还有 10 月 16 日连续发布的 3.9.0、3.9.1 和 3.9.2，文档首页却仍写着当前版本为 3.8.1。3.9.0 让 SBX 交叉和多项式变异对整数基因四舍五入而不是截断：此前整数基因的最大值几乎取不到，数值被拉向零，因此同一种子下整数基因的结果会改变；这一版还新增 gene_categorical 参数，用于没有大小顺序的类别型基因。3.9.1 修正了轮盘赌选择和随机通用抽样处理负适应度的方式。旧做法直接用适应度除以总和，负值会把优劣顺序颠倒，发布说明举例说，适应度为 -1 和 -9 时，较差的那个解拿到 90% 的选择机会。3.9.2 又修复了适应度接近浮点上限时这两种选择方法的溢出。

遗传算法是一类不依赖梯度的全局搜索方法，适合目标函数不可导、含离散变量或存在多个局部最优的问题。科研中常见的用法包括：标定仿真模型参数，让模拟输出贴近观测数据；从大量变量中挑选特征子集；调整机器学习模型的超参数；在工程设计中同时权衡几个相互冲突的目标。PyGAD 的门槛较低，研究者只需用 Python 写出“给定一组参数，算出一个分数”的函数，就能接上现成的选择、交叉、变异算子和 NSGA-II、NSGA-III 多目标算法，比从头实现一套遗传算法省事，也便于在论文中交代所用的算子和参数。

这几个版本对已有研究的直接意义在于复核。选择和交叉中的偏差不会让程序报错，收敛曲线也可能照常下降，但实际的搜索过程已经偏离算法的定义。如果过去的实验在旧版 PyGAD 中用了排序选择、SBX 交叉、两点交叉或交换变异，或者在轮盘赌选择、随机通用抽样中使用过负适应度（例如把误差取负作为适应度来做最小化），或者给基因指定了窄整数类型，建议在新版本下重跑关键实验，比较最优解和适应度有没有实质变化。3.8.0 起的实例级随机数生成器和检查点中保存的随机状态，也让“固定版本加固定种子”的复现更可靠。由于同一个种子在不同版本间不会给出相同结果，论文方法部分应写明所用 PyGAD 的具体版本号。

局限与使用注意

遗传算法是启发式方法，不保证找到全局最优，结果依赖种群规模、代数、变异率等设置，通常需要用多个随机种子重复运行并报告结果分布，而不是只报一次最好成绩。总耗时主要取决于适应度函数本身：如果每次评估都要跑一次仿真或训练一个模型，评估次数很快会成为瓶颈，PyGAD 的线程和进程并行可以分摊等待时间，但不会降低单次评估的成本。用遗传算法训练神经网络是一种不需要梯度的做法，面对参数量大的深度模型时，基于梯度的训练通常效率更高。维护方面，pyproject.toml 中列出的作者和维护者都是 Ahmed Gad 一人；10 月 9 日至 16 日的一周里发布了 3.8.0 到 3.9.2 共五个版本，修复节奏快，也意味着行为变化频繁。建议在依赖文件中锁定具体版本，升级前逐条阅读发布说明。

想判断升级对自己实验的影响，可以先做一个小规模核对（建议做法，本文未执行）：选一个已知最优解的测试函数，固定随机种子，分别在原先使用的旧版本和当前最新版本下，用排序选择和轮盘赌选择各运行若干次，记录每代被选为父代的个体在种群中的适应度排名，再比较最终最优解。如果新版本中排名靠前的个体被选中的频率明显上升，说明旧实验受到了选择偏差的影响，正式实验值得重跑。

参考文献

1. Ahmed Fawzy Gad 等. ahmedfgad/GeneticAlgorithmPython：GitHub 仓库及 LICENSE（BSD-3-Clause），2026-10-21 访问。

2. PyGAD 3.8.0 发布说明，2026-10-09。

3. PyGAD 3.8.1 发布说明，2026-10-11。

4. PyGAD 3.9.0、3.9.1、3.9.2 发布说明，2026-10-16。

5. PyGAD 官方文档，2026-10-21 访问。

6. PyGAD pyproject.toml，2026-10-21 访问。

7. Gad A F. PyGAD: an intuitive genetic algorithm Python library. Multimedia Tools and Applications, 83: 58029–58042（2023-12-19 在线发表）. doi:10.1007/s11042-023-17167-y

8. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

9. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

Ray 是 ray-project/ray 仓库维护的开源分布式计算框架，可把 Python 写的数据处理、训练与推理任务扩展到多核和集群，主体代码采用 Apache 2.0 许可证。2026 年 10 月 2 日发布的 2.59.0 为 Ray Data 加入基于磁盘的外部 Shuffle，并将 Ray Data LLM 与 Ray Serve LLM 定为正式可用。本文为资料核验，未安装实测。

数据中心网络核心区。摄影：Roy Niswanger（motleypixel），来源：Flickr，许可：CC BY 2.0。

仓库自述把 Ray 称为“AI 计算引擎”，由核心分布式运行时和一组 AI 库组成。核心运行时负责在多台机器之间调度任务，并把数据块存放在共享内存对象存储中；上层库各管一段流程：Ray Data 读取和转换数据集，Ray Train 做分布式训练，Ray Serve 部署模型服务，RLlib 用于强化学习。项目官网为 ray.io，仓库创建于 2016 年，截至 2026 年 10 月 21 日未归档，仍有持续提交。许可证方面，GitHub 识别为 Apache-2.0；LICENSE 正文在 Apache 2.0 条款之后，还列出了改编自其他项目、沿用原许可（如 MIT）的部分代码。

2.59.0 的主要变化

GitHub Release 页面显示，Ray 2.59.0 于 2026 年 10 月 2 日发布。对数据处理用户最重要的是 Ray Data 的外部 Shuffle：新的 Shuffle 后端 shuffle_v2 增加了基于磁盘的外部模式，配套新增运行时库、任务与算子以及执行计划接入，Join 与聚合也可以运行在外部 Shuffle 上。Shuffle 指按键把各数据块中的行重新分配到不同分区，Join、GroupBy 和按键重分区都依赖这一步。官方文档说明，shuffle_v2 不再把中间数据长期放在聚合 Actor 的内存里，而是放进对象存储，内存紧张时可以溢写到磁盘。同一版本把策略名从 hash_shuffle_v2 改为 shuffle_v2，压缩参数从 hash_shuffle_compression 改为 shuffle_compression，沿用旧名称的脚本需要相应修改。

外部 Shuffle 结构示意：输入块按键拆分到各分区，对象存储内存不足时将分片溢写到磁盘，归并阶段从内存和磁盘读回同一分区的分片并输出结果。AI 生成示意图，依据 Ray 2.59.0 发布说明与 Ray Data internals 文档绘制。

其他变化集中在四个方面。一是大语言模型接口：Ray Data LLM 与 Ray Serve LLM 转为正式可用（GA），并升级到 vLLM 0.27.0。二是数据源：新增 ORC 文件读取，read_lance 可一次读取多个路径，read_videos 增加帧率与尺寸参数；Iceberg 读取改进了解码大小估计和读任务内存上限，并修复了 count() 返回错误行数的问题。三是安全：不带地址调用 ray.init() 启动的本地集群默认开启令牌认证，令牌不存在时自动生成在 ~/.ray/auth_token，远程和多节点集群在本版不变，可设置 RAY_AUTH_MODE=disabled 关闭；仪表盘会隐藏 runtime_env 中可能含有凭据的值，read_hudi 增加了防止远程代码执行的反序列化保护。四是后续预告：Ray 2.61 将把令牌认证扩展到所有集群，2.59.0 也是最后一个发布 CUDA 11.7 镜像的版本。截至 10 月 21 日，Releases 页面上 2.59.0 仍是最新的次版本，当天另有 2.58.1 和 2.57.1 两个旧分支补丁。

对科研用户，Ray 主要用在数据规模超出单机内存、但仍希望用 Python 组织流程的场合。例如把样本元数据表与大型测量矩阵按样本编号连接，按实验条件汇总多年的仪器日志，或对多模态语料做批量清洗，这些步骤的瓶颈常在 Join 与 GroupBy 产生的中间数据。2.59.0 的外部 Shuffle 针对的正是这一环节：中间分片可以落到磁盘，不必整块留在内存中，适合内存有限、本地磁盘较充足的课题组服务器或小型集群。Ray Data LLM 转为正式可用，便于在同一条数据管线里对大批文本（如论文摘要）批量调用大语言模型做标注或信息抽取。本地集群默认启用令牌认证，也降低了共用实验室服务器上集群在无认证状态下运行的风险。

准备试用的团队可以先做一次小规模验收（建议，本文未执行）：取一份单机内存能处理的数据子集，分别用默认策略和 ShuffleStrategy.SHUFFLE_V2 完成同一个 Join 或 GroupBy，核对两次结果的行数和汇总值是否一致，再记录峰值内存、溢写量和耗时；确认无误后再逐步放大数据量。

局限与注意事项

第一，成熟度有限。当前文档仍把 shuffle_v2 标为 alpha，按键操作的默认策略仍是 HASH_SHUFFLE，需要通过 DataContext 的 shuffle_strategy 或环境变量 RAY_DATA_DEFAULT_SHUFFLE_STRATEGY 主动启用；Join 功能本身也标注为实验性。本文查阅的文档页没有单独说明外部磁盘模式的开关，使用前应查对应版本的 API 文档。第二，覆盖范围有限：shuffle_v2 目前支持聚合、GroupBy、按键重分区和 Join，不支持 sort 与 random_shuffle。第三，落盘不等于没有资源上限。文档提醒，溢写会明显拖慢执行，排队数据过多还可能把磁盘写满；Shuffle 产生大量小分片时，头节点可能内存不足，可把 RAY_max_direct_call_object_size 调低（例如 8192 字节）。Join 的分区数也要权衡，分区过大仍会内存溢出，过小则额外开销增加。第四，升级可能影响现有脚本：本地集群已默认启用令牌认证，2.61 起将覆盖所有集群，远程或多节点连接需要提前分发同一令牌。第五，许可证要分开核对：Ray 主体为 Apache 2.0，部分第三方代码沿用原许可，vLLM 等依赖和通过 LLM 接口加载的模型权重各有条款。本文为资料核验，未安装实测，不含任何实测性能数据。

参考文献

1. ray-project. ray-project/ray GitHub 仓库（核验于 2026-10-21）

2. ray-project. Ray-2.59.0 Release，2026-10-02

3. ray-project. Releases · ray-project/ray（核验于 2026-10-21）

4. ray-project. Ray LICENSE

5. Ray Docs. Ray Data internals

6. Ray Docs. Joining data

7. Ray Docs. Advanced: Performance Tips and Tuning

8. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

9. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

Positron 是 Posit 基于 Code OSS 开发的数据科学 IDE，为 R 和 Python 内置了控制台、变量窗格、数据浏览器和绘图窗格，桌面版可免费下载。它采用 Elastic License 2.0，源码公开，但这不是 OSI 认可的开源许可证。核验时的最新版本是 10 月 19 日发布的 2026.10.1。本文为资料核验，未安装实测。

Positron 官方文档中的界面截图，展示编辑器、控制台面板和侧栏窗格的整体布局。图片：Posit Software, PBC，来源 Positron 官方文档 Layout 页（posit-dev/positron-website），许可 CC BY-SA 4.0。

版本、许可证与安装

截至 2026 年 10 月 22 日核验，GitHub 仓库 posit-dev/positron 未归档，创建于 2022 年 5 月，主要语言为 TypeScript，最近一次推送在 10 月 21 日（UTC）。GitHub 对它的许可证识别结果是“Other”，没有对应的 SPDX 标识，需要直接读许可正文。根目录 LICENSE.txt 写明 Positron 采用 Elastic License 2.0，并附一份教育附加条款。这份许可允许免费使用、复制、分发和修改，主要限制有两条：不得把 Positron 作为托管服务提供给第三方，不得绕过软件中的许可证密钥功能。教育附加条款只为课程、工作坊等教学活动放开托管限制，条件是访问者限于学员和授课人员，且不用于生产。Positron 官网把它称为“源码可得”（source-available）许可。在 SPDX 许可证列表 3.29.0 版中，Elastic-2.0 没有 OSI 认可标记，所以 Positron 不能算 OSI 定义下的开源软件。Posit 另把 Positron 的 R 内核与语言服务器实现、R 格式化工具等组件以 MIT 许可证发布，这些组件的许可要和 IDE 整体分开看。

Positron 的版本号按“年份.月份.补丁”编排。2026.10.0 于 10 月 8 日发布；10 月 19 日的补丁版 2026.10.1 修复了 Posit Workbench 上使用托管凭据的 Snowflake 数据连接问题，是核验时官网下载页提供的版本。2026.10 版除了下文介绍的 Assistant 集成，还为 Quarto 和 R Markdown 文档中的 R、Python 代码块原生提供补全、悬停提示和诊断；项目里有 uv.lock 或 pixi.lock 而还没有建好环境时，会提示创建对应的 Python 环境。

安装方式是从官网下载页获取桌面安装包。Windows 有 x64 版（Windows 10 及以上）和 ARM64 版（Windows 11），都分用户级和系统级安装；macOS 需 11.0 以上，分 Apple Silicon 和 Intel 两种；Linux 提供 .deb（Debian、Ubuntu）和 .rpm（Red Hat、Fedora）包。安装包约 0.5–1 GB，下载和使用即视为接受许可协议与隐私政策。Positron 不装 R 或 Python 也能启动；要用 R，需要 R 4.2 或以上，Windows 上编译包所需的 Rtools 不随安装包提供，要另行安装；Python 支持仍在官方维护期内的版本，能识别 venv、uv、pyenv、conda 和 pixi 环境，找不到合适的 Python 时可以代为安装。Windows 用户还应装好最新的 Visual C++ Redistributable。安装后 Positron 会自动检查更新。在服务器上，桌面版可以通过 Remote SSH 连接远程 Linux；浏览器中的 Positron Pro 需要 Posit Workbench 这类商业产品；符合条件的学术机构可以用免费教育许可在 JupyterHub 上部署 Positron Server 用于教学。以上步骤本文没有在本机执行。

数据分析的大部分时间花在“跑一段代码、看一眼结果、再改一段”的循环里。通用代码编辑器擅长写代码，却不太关心内存里有哪些数据框、刚画的图在哪里；RStudio 把这些做得很成熟，但主要服务 R。Positron 试图把两者合在一起：编辑器、扩展机制和 Git 支持来自 Code OSS，控制台、变量、数据和绘图这些交互部件由 Posit 针对 R 和 Python 重新实现。它适合同时用 R 和 Python 做统计分析、写 Quarto 报告或开发 Shiny 应用的研究者和课题组，也适合习惯 VS Code、又想要 RStudio 式交互分析的用户。官方 FAQ 写明，R 和 Python 是一等支持的语言；Rust、C/C++ 等语言可以借第三方扩展编辑，但用不上控制台、绘图等数据科学功能。

R 与 Python 的交互窗格

默认的 Stacked 布局把编辑器放在中间，下方是控制台和终端，右侧副侧栏是变量和绘图窗格。控制台是常驻的 R 或 Python 会话，可以同时开多个。解释器运行在 IDE 之外的独立进程里，官方 FAQ 说明，这样 R 或 Python 崩溃时不一定连带 IDE 崩溃，切换语言版本也只需重启控制台，不必重载整个 IDE。2026.09 版起，控制台会把多条语句拆成完整表达式逐条执行，检查语句是否完整时也可以取消提交。

变量窗格列出当前会话里的对象，数据框单独归在 DATA 分组，打开的数据库连接也显示在这里。点击数据框旁的图标会打开数据浏览器：主体是类似电子表格的数据网格，旁边是逐列汇总统计的面板，上方是筛选栏。筛选和排序只是临时视图，官方文档强调它补充而不替代代码。除了会话中的数据框，数据浏览器还能借助 DuckDB 直接打开工作区里的 CSV、TSV、Parquet 和 Excel 文件；在代码里，Python 用 %view df，R 用 View(df) 打开。2026.09 版新增的 Import Data 对话框会为数据文件生成读入代码，CSV、TSV 在 Python 中用 pandas、在 R 中用 readr，也支持 Excel 和 Parquet 文件；生成的代码可以复制，也可以直接在控制台运行。

Positron 官方文档中的数据浏览器截图，由数据网格、逐列汇总面板和筛选栏组成，筛选与排序只生成临时视图。图片：Posit Software, PBC，来源 Positron 官方文档 Data Explorer 页（posit-dev/positron-website），许可 CC BY-SA 4.0。

绘图窗格自动接收会话中生成的图，保存整个会话的绘图历史，并标明每张图来自 R 还是 Python 会话。图可以缩放，或在编辑器标签页、新窗口中打开；工具栏还能跳转到、复制或重新运行生成这张图的代码，并把图导出为 PNG、SVG、PDF 等格式。对需要反复调整图形的论文作者来说，能从图回到生成它的代码，比单纯保存图片更方便核对。

Posit Assistant 新集成与费用

Posit Assistant 是 Posit 的数据科学 AI 助手，2026.04.0 起在 Positron 中以预览功能出现，2026.07 起随 Positron 默认提供，取代此前的 Positron Assistant 和 Databot。除了打开的文件和项目结构，它还能读取会话里加载的数据、绘图和控制台历史。Posit 的 Jonathan McPherson 在 10 月 21 日的 Posit 开源博客文章中介绍，此前它与 Positron 的交互大体限于控制台和编辑器，即运行代码、查看结果、修改脚本和文档。从 2026.10 版起，它可以调用 Positron 自己掌握的信息和操作：接入“包”窗格的数据源，按当前 R 或 Python 环境的合适方式安装包，并查询已装包是否有已知安全漏洞；查看 Positron 识别到的全部 R 与 Python 解释器，回答“为什么看不到某个 R 版本”这类问题，或在项目中新建 uv 环境；启动和切换控制台，把脚本放到单独的控制台里运行；把内容发布到 Posit Connect 或 Connect Cloud。2026.10.0 的发布说明还举例说，可以让它运行 Shiny 应用、在数据浏览器中打开 Parquet 文件、浏览数据连接。

这些功能目前是预览版，要在设置中打开 Assistant: Preview Features（assistant.previewFeatures）。Assistant 每次要调用 Positron 命令都会请求确认，可以逐条批准，也可以对项目设为自动批准；由于这些命令能改动环境，Assistant 的 Ask 模式下不提供它们。博客也承认 Assistant 有时会选错工具，这时可以明确让它“ask Positron”。同一版本还加入了实验性的内置 MCP 服务器（设置 ai.mcp.enabled），让 Claude Code、Codex、Gemini CLI 等外部编程代理接入正在运行的 R 和 Python 会话，控制台会标出由代理运行的代码。

费用方面，博客和发布说明都没有为这次集成另设收费，但 Posit Assistant 本身需要接入模型才能工作。一种方式是自带 API 密钥，连接 Anthropic、Amazon Bedrock、GitHub Copilot、OpenAI 等服务商，费用直接付给服务商；另一种是订阅 Posit AI Pass。按 Posit AI Pass 文档，Pro 方案每月 20 美元，含 15 美元的 Assistant 额度和不限量的“下一步编辑建议”（NES）补全，额度当月不结转，用量按模型服务商价格加收 10% 计算；符合条件的新用户首月 5 美元，2026 年 9 月起不再提供免费试用，注册时须绑定付款方式。Positron 官网说明，使用外部模型服务商时 Posit 不收集提示词、代码或对话，选用 Posit AI Pass 则适用 Posit 的隐私政策与 AI 协议；无论用哪家模型，Posit 都不为 AI 生成的代码提供支持。

与 RStudio、VS Code 的区别和局限

Positron 和 VS Code 建立在同一个开源内核 Code OSS 上，编辑操作、命令面板和多数扩展相通，差别主要有两点。第一，Posit 认为 VS Code 的扩展 API 改不动主界面，所以直接修改 IDE 来加入控制台、变量窗格和数据浏览器，而不是把它们做成扩展。第二，微软不允许在 VS Code 官方构建之外访问其扩展市场，Positron 默认从 Posit Public Package Manager 安装扩展，目录与 Open VSX 相同；有些扩展作者没有发布到 Open VSX，或那里的版本滞后，含微软专有代码的扩展也用不了。VS Code 的 R 扩展与 Positron 自带的 R 支持冲突，不宜同时使用；Python 扩展则由 Positron 内置的分支版本替代。

和 RStudio 相比，Positron 把 Python 也当作一等语言，并能安装 VS Code 生态的扩展。Posit 在 FAQ 中表示会继续维护 RStudio，重点放在安全、稳定和重要缺陷修复，大规模的新功能主要进入 Positron；R 新手建议从 Positron 起步，用得顺手的 RStudio 用户也可以继续使用。有几项 R 专属功能仍是 RStudio 更完整：RStudio 对 Sweave 和 R Markdown 的支持更深，Positron 侧重 Quarto，但也能渲染 R Markdown；RStudio 插件（add-in）只有一部分能在 Positron 中运行；Positron 不提供 .Rproj 那样的项目文件，任何文件夹都可以作为项目打开。从 RStudio 迁移时，这几处最容易遇到。

其他局限也要提前知道。许可证不允许未经 Posit 同意把 Positron 作为服务提供给第三方，想在课题组服务器上给外部用户托管的机构，应先对照许可正文和教育附加条款。官网写明 Remote SSH 和 Workbench 功能目前支持 RHEL 8、9、10 和 Ubuntu 22、24，其他 Linux 发行版作为远程主机时可能不受支持。Assistant 与 Positron 的集成仍是预览功能，行为可能随月度版本变化。若想先判断是否合用，可以做一个小规模验收（这是建议，本文未执行）：选一个已有的 R 或 Python 分析项目，在 Positron 中打开，检查解释器是否被正确识别、数据框能否在数据浏览器中筛选、图能否导出为期刊需要的 PDF 或 SVG；从 RStudio 迁移的用户，再确认常用插件和 R Markdown 文档能否正常运行。

参考文献

1. Jonathan McPherson. A deeper Positron integration for Posit Assistant. Posit Open Source，2026-10-21。

2. posit-dev/positron. GitHub，2026-10-22 核验。

3. LICENSE.txt（Elastic License 2.0 与 Positron Education License Rider）. GitHub，2026-10-22 核验。

4. Licensing. Positron 文档，2026-10-22 核验。

5. SPDX License List 3.29.0. SPDX，2026-09-16。

6. Release 2026.10.1-2. GitHub，2026-10-19 发布。

7. Release 2026.10.0-297. GitHub，2026-10-08 发布。

8. Release 2026.09.0-256. GitHub，2026-09-03 发布。

9. Download Positron. Positron 文档，2026-10-22 核验。

10. Frequently Asked Questions. Positron 文档，2026-10-22 核验。

11. Layout. Positron 文档。

12. Variables Pane. Positron 文档。

13. Data Explorer. Positron 文档。

14. Plots Pane. Positron 文档。

15. Extensions. Positron 文档。

16. Posit Assistant. Positron 文档，2026-10-22 核验。

17. Frequently asked questions – Posit AI Pass. Posit 文档，2026-10-22 核验。

18. What’s new with Posit AI Pass. Posit 文档，2026-10-22 核验。

19. posit-dev/positron-website LICENSE.md

20. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

21. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

22nd International Conference on Artificial Intelligence and Law (40th Anniversary Edition) [Vienna (Austria)] [Jul 5, 2027 - Jul 9, 2027]

日程：2027-07-05 至 2027-07-09

CFPs on Artificial Intelligence : WikiCFP

Venue: Dongguk University The Biennial Conference of the Asian Network for the Philosophy of the Social Sciences 2027 (ANPOSS 2027) Dongguk University, South Korea 8 – 9 July 2027 The Asian Network for the Philosophy of

日程：2027-07-08 至 2027-07-09

PhilEvents·社会科学哲学

2027 The 10th International Conference on Data Storage and Data Engineering (DSDE 2027) [Tokyo, Japan] [Jul 9, 2027 - Jul 11, 2027]

日程：2027-07-09 至 2027-07-11

CFPs on Artificial Intelligence : WikiCFP

2027 The 15th International Conference on Computer and Communications Management (ICCCM 2027) [Tokyo, Japan] [Jul 9, 2027 - Jul 11, 2027]

日程：2027-07-09 至 2027-07-11

CFPs on Artificial Intelligence : WikiCFP

2027 the 19th International Conference on Communication Software and Networks (ICCSN 2027) [Chengdu, China] [Jul 9, 2027 - Jul 11, 2027]

日程：2027-07-09 至 2027-07-11

CFPs on Artificial Intelligence : WikiCFP

IEEE--2027 8th International Conference on Information Security and Privacy Protection (ICISPP 2027) [Nantong, China] [Jul 16, 2027 - Jul 18, 2027]

日程：2027-07-16 至 2027-07-18

CFPs on Artificial Intelligence : WikiCFP

Spatial Statistics 2027: At the core of analytical intelligence [Beijing] [Jul 22, 2027 - Jul 25, 2027]

日程：2027-07-22 至 2027-07-25

CFPs on Artificial Intelligence : WikiCFP

2027 7th International Conference on Energy Evolution and Power Engineering: Transition, Intelligence and Autonomy [China] [Jul 23, 2027 - Jul 25, 2027]

日程：2027-07-23 至 2027-07-25

CFPs on Artificial Intelligence : WikiCFP

Venue: Unknown The 4th instalment of the Dimensions of Radical Embodiment conference series will take place at the University of Bristol on 26-27th July 2027. The conference focuses on Radical Embodied Cognition, Ecological Psychology, and Enactivist approaches to the mind, and r

日程：2027-07-26 至 2027-07-27

PhilEvents·计算与信息哲学

2027 the 8th International Conference on Artificial Intelligence in Education Technology (AIET 2027) [Cologne, Germany] [Jul 28, 2027 - Jul 30, 2027]

日程：2027-07-28 至 2027-07-30

CFPs on Artificial Intelligence : WikiCFP

2027 8th International Conference on Teaching and Education Management (ICTEM 2027) [Cologne, Germany] [Jul 28, 2027 - Jul 30, 2027]

日程：2027-07-28 至 2027-07-30

CFPs on Artificial Intelligence : WikiCFP

2027 6th International Conference on Intelligent Science and Technology (ICIST 2027) [Nanjing, China] [Aug 6, 2027 - Aug 8, 2027]

日程：2027-08-06 至 2027-08-08

CFPs on Artificial Intelligence : WikiCFP

2027 20th International Conference on Advanced Computer Theory and Engineering (ICACTE 2027) [Nanjing, China] [Aug 13, 2027 - Aug 15, 2027]

日程：2027-08-13 至 2027-08-15

CFPs on Artificial Intelligence : WikiCFP

2027 20th International Conference on Advanced Computer Theory and Engineering (ICACTE 2027) [Nanjing, China] [Aug 13, 2027 - Aug 15, 2027]

日程：2027-08-13 至 2027-08-15

CFPs on Computer Science : WikiCFP

2027 IEEE International Conference on Artificial Intelligence and Generated Content (ICAIGC 2027) [Melaka, Malaysia] [Aug 14, 2027 - Aug 16, 2027]

日程：2027-08-14 至 2027-08-16

CFPs on Artificial Intelligence : WikiCFP

2027 5th International Conference on Big Data and Privacy Computing (BDPC 2027) [Taiyuan, China] [Aug 18, 2027 - Aug 20, 2027]

日程：2027-08-18 至 2027-08-20

CFPs on Artificial Intelligence : WikiCFP

The 14th Management, Information and Social Network Conference [Paris] [Aug 30, 2027 - Sep 1, 2027]

日程：2027-08-30 至 2027-09-01

CFPs on Computer Science : WikiCFP

2027 International Conference on Artificial Intelligence and Intelligent Education (AIIE 2027) [Guangzhou, China] [Oct 15, 2027 - Oct 17, 2027]

日程：2027-10-15 至 2027-10-17

CFPs on Artificial Intelligence : WikiCFP

2027 International Conference on System Safety and Security (ICSSS 2027) [Savannah, GA, USA] [Nov 3, 2027 - Nov 5, 2027]

日程：2027-11-03 至 2027-11-05

CFPs on Artificial Intelligence : WikiCFP

Publication Name: Phenomenologies of Religious Experience This series invites proposals in classical phenomenology, French phenomenology, pre- and post-phenomenologies, and in methodologies that bridge phenomenology and analytic philosophy. The relation between phenomenology and

日程：2030-05-31

PhilEvents·认知科学哲学

Wikidata资料显示，薛其坤于1963年12月19日出生。以量子反常霍尔效应等工作推动凝聚态物理突破。

把薛其坤的出生节点纳入“科研界的今天”，能把中国科学共同体的重要人物谱系与具体日期建立联系。薛其坤以量子反常霍尔效应等工作推动凝聚态物理突破，因此是物理学史中不可绕开的代表性人物。

历史日期：1963-12-19

Wikidata - 薛其坤

Wikipedia（中文）

DataCite 相关博客文章《Introducing DataCite JSON》页面与 DOI 记录都指向 2018 年 12 月 19 日，这一天 DataCite 面向社区正式介绍其 JSON 表达方式，用于更方便地交换和消费研究对象元数据。

学术基础设施的关键并不只在分配 DOI，还在于元数据能否被机器顺畅读取和复用。DataCite JSON 的推出，体现出研究对象描述开始更面向开发者与系统互联场景。

历史日期：2018-12-19

DOI - Introducing DataCite JSON

Front Matter Blog - Introducing DataCite JSON

Crossref 的 DOI 元数据显示，《Open access repository-scale propagated nearest neighbor suspect spectral library for untargeted metabolomics》于 2023 年 12 月 20 日在线发表，提出了面向非靶向代谢组学的大规模开放嫌疑谱库。

非靶向代谢组学的难点之一，是未知峰和候选结构极难系统识别。把谱库做成开放、可传播、可扩展的公共资源，是化学分析与数据共享进一步融合的关键节点。

历史日期：2023-12-20

Crossref - suspect spectral library for untargeted metabolomics

DOI - suspect spectral library for untargeted metabolomics

Apollo 8 于 1968 年 12 月 21 日发射，是首个载人绕月任务。

它让人类首次看到月球背面并完成绕月飞行，为随后登月提供了决定性验证。

历史日期：1968-12-21

NASA - Apollo 8 Mission Details

Crossref 的 DOI 元数据显示，《Standards for UNiversal reporting of patient Decision Aid Evaluation studies: the development of SUNDAE Checklist》于 2017 年 12 月 21 日发表。

它把患者决策辅助工具评估纳入统一报告框架，说明方法规范正在深入到医疗沟通与共同决策研究。

历史日期：2017-12-21

Crossref - SUNDAE

DOI - SUNDAE

Crossref 的 DOI 元数据显示，《COHESION: a core outcome set for the treatment of neonatal encephalopathy》于 2023 年 12 月 22 日在线发表，提出新生儿脑病治疗研究的核心结局集。

在新生儿和围产医学中，研究标准化尤其重要，因为样本难得、结局复杂且跨中心协作频繁。核心结局集能显著提升后续证据合并与跨研究比较的可能性。

历史日期：2023-12-22

Crossref - COHESION core outcome set

DOI - COHESION core outcome set

Nokia Bell Labs 官方页面写明，Walter Brattain 的实验记录把 1947 年 12 月 23 日记为晶体管效应被发现的日子。

晶体管开启了现代电子学、计算机与通信产业的核心技术路径，是数字时代最基础的硬件发明之一。

历史日期：1947-12-23

Nokia Bell Labs - 1956 Nobel Prize in Physics

Nokia - The transistor: 75 years since...

Wikidata资料显示，姚期智于1946年12月24日出生。在计算复杂性、密码学和量子计算理论上作出基础性贡献。

把姚期智的出生节点纳入“科研界的今天”，能把中国科学共同体的重要人物谱系与具体日期建立联系。姚期智在计算复杂性、密码学和量子计算理论上作出基础性贡献，因此是计算史中不可绕开的代表性人物。

历史日期：1946-12-24

Wikidata - 姚期智

Wikipedia（中文）

NASA 官方任务资料写明，Apollo 8 于 1968 年 12 月 24 日进入月球轨道，宇航员也在这一天拍下了著名的“地出”照片。

它是人类首次绕行另一颗天体的载人飞行，把登月从工程推演推进到真正的实战前夜，也深刻改变了公众对地球的感知。

历史日期：1968-12-24

NASA - Apollo 8: Christmas at the Moon

NASA Science - Apollo 8's Iconic Earthrise

Wikidata资料显示，吴自良于1917年12月25日出生。在材料科学和稀土功能材料方向具有奠基性贡献。

把吴自良的出生节点纳入“科研界的今天”，能把中国科学共同体的重要人物谱系与具体日期建立联系。吴自良在材料科学和稀土功能材料方向具有奠基性贡献，因此是材料科学史中不可绕开的代表性人物。

历史日期：1917-12-25

Wikidata - 吴自良

Wikipedia（中文）

Wikidata资料显示，朱光亚于1924年12月25日出生。长期主持中国核科学与国防科技战略布局。

把朱光亚的出生节点纳入“科研界的今天”，能把中国科学共同体的重要人物谱系与具体日期建立联系。朱光亚长期主持中国核科学与国防科技战略布局，因此是核科学史中不可绕开的代表性人物。

历史日期：1924-12-25

Wikidata - 朱光亚

Wikipedia（中文）

詹姆斯·韦布空间望远镜于 2021 年 12 月 25 日发射升空。

它迅速成为新一代天文旗舰设备，显著提升了人类研究早期宇宙、系外行星和星际介质的能力。

历史日期：2021-12-25

NASA Science - Webb Launch

Crossref 元数据显示，《Data Security》于 2001 年 12 月 26 日出版于《The Computer Engineering Handbook》，系统讨论数据安全问题。

数据安全并不是开放科学的对立面，而是让数据能够被可信管理和负责任共享的前提。把数据安全写进工程手册，说明数据基础设施从早期开始就需要同时处理开放性和保护性。

历史日期：2001-12-26

Crossref - Data Security

DOI - Data Security

Crossref 的 DOI 元数据显示，《A public repository for mass spectrometry imaging data》于 2014 年 12 月 27 日发表，提出面向质谱成像数据的公共仓储方案。

它把质谱成像这种高维实验数据带入公共存储与复用框架，推动分析化学与影像数据共享从个体实验室管理迈向共同基础设施。

历史日期：2014-12-27

Crossref - mass spectrometry imaging repository

DOI - mass spectrometry imaging repository

Crossref 的 DOI 元数据显示，《A Data Citation Roadmap for Scholarly Data Repositories》于 2016 年 12 月 28 日发布，系统讨论学术数据仓储如何落实数据引文。

它让数据仓储不再只是存放文件的地方，而要承担可引用、可归属、可追踪的学术功能，是研究数据制度化的重要一步。

历史日期：2016-12-28

Crossref - Data Citation Roadmap for Scholarly Data Repositories

DOI - Data Citation Roadmap for Scholarly Data Repositories

Crossref 的 DOI 元数据显示，《OPTIMAS-DW: A comprehensive transcriptomics, metabolomics, ionomics, proteomics and phenomics data resource for maize》于 2012 年 12 月 29 日在线发表，构建了面向玉米的综合多组学数据资源。

农业科学的数据基础设施往往容易被忽视，但作物研究同样需要把转录组、代谢组、离子组、蛋白组和表型数据联动起来。OPTIMAS-DW 代表农业多组学资源开始系统集成。

历史日期：2012-12-29

Crossref - OPTIMAS-DW

DOI - OPTIMAS-DW

官方人物资料与Wikidata资料显示，屠呦呦于1930年12月30日出生。以青蒿素研究改写全球疟疾治疗史。

把屠呦呦的出生节点纳入“科研界的今天”，能把中国科学共同体的重要人物谱系与具体日期建立联系。屠呦呦以青蒿素研究改写全球疟疾治疗史，因此是医学史中不可绕开的代表性人物。

历史日期：1930-12-30

Official bio - 屠呦呦

Wikidata - 屠呦呦

Wikidata资料显示，袁国勇于1956年12月30日出生。在新发传染病研究与防控中影响重大。

把袁国勇的出生节点纳入“科研界的今天”，能把中国科学共同体的重要人物谱系与具体日期建立联系。袁国勇在新发传染病研究与防控中影响重大，因此是公共卫生史中不可绕开的代表性人物。

历史日期：1956-12-30

Wikidata - 袁国勇

Wikipedia（中文）

Crossref 的 DOI 元数据显示，《Improving the reporting of pragmatic trials: an extension of the CONSORT statement》于 2008 年 12 月 30 日发表。

它让务实试验从解释性试验中被明确区分出来，推动真实世界干预研究以更贴近实际决策的方式报告。

历史日期：2008-12-30

Crossref - CONSORT pragmatic trials

DOI - CONSORT pragmatic trials

Crossref 的 DOI 元数据显示，《CONSORT-EHEALTH: Improving and Standardizing Evaluation Reports of Web-based and Mobile Health Interventions》于 2011 年 12 月 31 日发表，把网络与移动健康干预试验纳入专门报告规范。

它标志着数字健康研究开始被要求按自己的技术语境和干预特性讲清楚方法细节，而不再简单借用传统试验写法。

历史日期：2011-12-31

Crossref - CONSORT-EHEALTH

DOI - CONSORT-EHEALTH

本期选出 10 月 19 日 Phys.org 转发的三项研究：韦布空间望远镜测得银河系中心黑洞附近气体的金属丰度约为太阳的 1.8 倍；ALMA 从侧面看清“戈麦斯汉堡”原行星盘的分层结构，并在盘的一侧发现可能与巨行星早期形成有关的一氧化硫弧；一项模型研究估算，各国甲烷减排计划全部落实，2030 年排放也只比 2020 年低 11%。

哈勃空间望远镜与斯皮策空间望远镜拍摄的银河系中心红外合成图，视场覆盖银心约 300 光年的范围，远大于 Ford 等人用韦布望远镜研究的约 0.1 秒差距区域。图：NASA、ESA 与 Q.D. Wang（马萨诸塞大学阿默斯特分校），来源：Wikimedia Commons（ESA/Hubble opo0902a），许可：CC BY 4.0。

三篇报道同一天出现，对应原文的时间并不相同。银心气体论文 10 月 19 日在《天文学杂志》（The Astronomical Journal）正式刊出，预印本 5 月已经公开；“戈麦斯汉堡”的结果 2026 年 1 月在美国天文学会第 247 届会议上首次发布，论文 9 月 8 日上传 arXiv，10 月 5 日的修订版注明已被《天体物理学杂志》（The Astrophysical Journal）接收；甲烷论文 10 月 13 日在《全球生物地球化学循环》（Global Biogeochemical Cycles）在线发表。证据类型也不一样：前两项是望远镜观测加物理推断，第三项是模型情景，结论都取决于各自的假设。同期线索里还有一篇讨论“在活体小鼠脑中培育人类脑组织”的文章，原载 The Conversation，是对《自然》（Nature）此前一项研究的伦理评论，不是新研究，本期不收录。

银河系中心黑洞周围气体的金属丰度

论文第一作者是麦吉尔大学特罗蒂尔空间研究所的博士生 Nicole M. Ford，合作者包括她的导师 Daryl Haggard，刊于《天文学杂志》第 172 卷第 5 期，出版日期为 2026 年 10 月 19 日，预印本最早于 5 月 13 日上传 arXiv。研究对象是人马座 A*（Sgr A*）周围约 0.1 秒差距范围内的电离气体。团队用韦布空间望远镜的中红外仪器 MIRI 中分辨率光谱仪，在 2024 年 4 月和 9 月对这一区域做了积分视场光谱观测，再按位置和视向速度把气体分成三类结构：“迷你螺旋”（Minispiral）的棒状结构、北臂，以及几团朝观测者方向高速运动的致密气团，视向速度达每秒约 600 千米，其中包括此前已知的气团 X7。作者用 13 条精细结构谱线和氢复合线，估算了氖、氩、硫、镍、铁的丰度。天文学里的“金属”指比氢和氦更重的所有元素。

论文的主要结论是，这些气体的金属丰度略高于太阳：氩和氖约为太阳的 1.8 倍，随元素和取样区域不同，大约在 1.4 至 2.2 倍之间。arXiv 第一版摘要写的是 1 至 2.5 倍，正式版改为约 1.8 倍。气相中的镍和铁很少被尘埃吸附，说明这一带的尘埃已被激波等过程大量破坏。照亮气体的辐射大体可以用中心区域的沃尔夫–拉叶星解释，高速致密气团还可能受到局部快速激波的额外作用。致密气团的丰度与周围气体相近，作者据此认为两者来源相同。麦吉尔大学的新闻稿进一步说，这些金属很可能来自过去爆发的恒星，气体成分也与黑洞周围许多恒星相似，两者或许一同形成；这层解释来自新闻稿对研究的概括。

金属含量影响气体冷却的快慢，也就影响气体能否落向黑洞。Ford 在新闻稿中说，银河系中心黑洞吞进的物质比其他超大质量黑洞少得多，也慢得多，弄清可供它吞食的气体成分，是解释原因的一步。论文提到，已有模拟研究认为约 3 倍太阳丰度可能是气体能否高效冷却、形成吸积盘的门槛，本次测得的丰度低于这一数值。不过这项研究本身没有回答黑洞为何吸积缓慢，Ford 表示还要把观测结果和更长时间尺度的气体演化模拟对照。丰度数值依赖对电子密度、温度、消光和未观测电离态的假设，铁族元素对这些假设尤其敏感；观测也只覆盖黑洞周围约 0.1 秒差距。同一团队 Mayura Balakrishnan 等人在《天体物理学杂志》发表的配套研究则发现，这些气体的红外辐射主要受局部条件影响，难以从中分离出黑洞的作用，因此不能用来可靠地回溯黑洞过去的活动。

侧向原行星盘“戈麦斯汉堡”中的一氧化硫弧

“戈麦斯汉堡”（Gomez's Hamburger，简称 GoHam）是一颗 A 型主序前恒星 IRAS 18059-3211 周围的原行星盘，从地球看几乎是侧面朝向，倾角约 85 度。明尼苏达大学 Charles J. Law 领衔的团队用阿塔卡马大型毫米/亚毫米波阵列（ALMA）在 2022 年 10 月和 2024 年 6 月观测了这个盘，角分辨率约 0.2 角秒，测量了两种一氧化碳同位素分子（¹²CO、¹³CO）、一硫化碳（CS）、一氧化硫（SO）的谱线和 0.9 毫米尘埃连续谱。结果最早在 2026 年 1 月美国天文学会第 247 届会议的新闻发布会上公布；论文 9 月 8 日上传 arXiv，10 月 5 日的修订版注明已被《天体物理学杂志》接收。美国国家射电天文台（NRAO）的新闻稿称论文“刚刚发表”，Phys.org 10 月 19 日的转载则写作“已被接收”，本刊未查到正式卷期和期刊 DOI，下文以 arXiv 修订版为准。

侧向视角的好处是能直接看到盘的垂直结构。观测显示，¹²CO 所在的层最高（高度与半径之比约 0.5 至 0.6），¹³CO 次之（约 0.4），CS 最接近中间平面（约 0.15），毫米级尘埃则集中在中间平面的薄层里，符合盘按高度分层的理论预期。团队还看到几处不对称：毫米尘埃在盘的南北两侧分布不同；北侧外围有不遵循开普勒旋转的弥散 CO 辐射，可能是盘风；最受关注的是 SO 只出现在盘的一侧，沿尘埃盘东缘形成一道窄弧，最亮处在南侧距恒星约 180 至 195 天文单位处，靠近此前文献提出的致密气团“GoHam b”。SO 弧的运动仍与盘的旋转一致。作者的解释是，正在坍缩的气团或早期巨行星局部加热了周围物质，使含硫的冰升华，进而生成 SO。论文还把 GoHam 的距离修订为约 139 秒差距（此前文献常按 250 秒差距计算），中心恒星的动力学质量约为 2.2 个太阳质量。按新距离，¹²CO 气体盘半径约 900 天文单位，仍是已知最大的原行星盘之一。

“戈麦斯汉堡”系统的艺术示意图，表现气体和尘埃绕年轻恒星旋转时分层堆叠的结构，不是 ALMA 观测图像。图：NSF/AUI/NSF NRAO/P. Vosteen，来源：NRAO 新闻稿，许可：CC BY 4.0（依据 NRAO 媒体使用政策）。

新闻稿说天文学家“发现了巨行星形成的最早阶段”，论文的措辞要谨慎得多：SO 弧“可能”对应宽轨道巨行星形成最早的可观测阶段。论文明确写道，单凭 SO 不能确定是引力不稳定造成的碎裂；尘埃盘外缘受紫外线照射、盘的一侧受热不均、外部物质落入撞击盘面，都可能产生类似的局部增强。作者也没有用这批数据证实或否定 GoHam b，因为新数据显示盘的结构比过去认为的复杂，过去识别 GoHam b 所用的方法需要先考虑这些结构。北侧的弥散 CO 是光致蒸发风还是磁驱动的盘风，现有数据无法区分，NRAO 新闻稿只提了前者；尘埃的南北不对称，论文认为可能来自引力不稳定或偏心的盘，新闻稿写的是涡旋或大尺度扰动。作者提出了检验办法：如果确实存在碎裂加热，OCS、SO₂、H₂S 等含硫分子以及水、甲醛等热气体示踪物也应在 GoHam b 附近增强；盘风的来源则需要韦布空间望远镜的积分视场光谱观测和专门建模来判断。

各国甲烷减排计划与 2030 年目标的差距

这项研究由国际应用系统分析研究所（IIASA）的 Lena Höglund-Isaksson 领衔，联合国环境规划署（UNEP）的研究人员参与，论文 10 月 13 日在美国地球物理学会旗下的《全球生物地球化学循环》在线发表；IIASA 发布了新闻稿（页面未标注日期），Phys.org 于 10 月 19 日转载。它是同一团队为 UNEP《2025 年全球甲烷状况报告》所做分析的更新。研究使用 IIASA 的 GAINS 模型（4.1c 版），按国家、行业和技术自下而上估算人为甲烷排放，比较了几种情景：只执行现行法规；各国国家自主贡献（NDC）和甲烷行动计划中的措施全部落实；低成本措施全部采用；现有技术潜力全部用尽；以及在此基础上再叠加能源脱碳和饮食转变的上限情景。

在“中间路线”的社会经济假设和现行法规下，全球人为甲烷排放未来几十年仍会上升，2025 至 2050 年间还将向大气多排放约 120 亿吨甲烷。如果各国计划中提到的措施全部落实，2020 至 2030 年排放可下降 11%，足以扭转上升趋势，但离《全球甲烷承诺》的目标还很远。该承诺 2021 年发起，159 个缔约方承诺在 2020 至 2030 年间共同减排 30%。同一团队为 UNEP 2025 年报告所做的估算是，各国计划措施最多减排 8%。新论文估算，若在 2030 年前采用所有每吨甲烷成本低于 1000 美元的措施，可减排 22%；要达到 30%，几乎要用尽现有技术的全部潜力，按论文的边际减排成本曲线，最后一吨的成本约为 4168 美元。2030 年可用的技术减排潜力中约 70% 在化石燃料部门，主要是减少油气开采中伴生气的排空和火炬燃烧、控制油气生产和输送环节的泄漏、限制煤矿甲烷。废弃物部门的潜力也大，农业最难减，反刍动物肠道发酵是最大的农业排放源，可用的技术手段有限。

刚果近海 N'Kossa 海上油田平台的火炬，燃烧油气开采中的伴生气；拍摄日期不详，图片 2002 年录入 Ifremer 图库。图：Stephane Lesbats（IFREMER），来源：Wikimedia Commons，许可：CC BY 4.0。

这些数字都是模型情景，不是实际减排进度。11% 的前提是各国计划中的措施全部落实，而这些计划还未兑现；论文在讨论中指出，能源部门已有低成本技术，减排迟迟没有推开，很可能与化石燃料行业缺乏投入意愿有关。排放清单本身也有不确定性：作者比较了六套全球清单，2020 年全球排放的 90% 置信区间约为正负 15%。成本只是指示性估算，没有计入提前更换设施的费用；牲畜减排措施主要适用于全球北方的大型集约化养殖场，对全球南方以放牧为主的系统适用性有限。论文同时公开了按国家或地区、行业整理的数据集，可用来查看各地的减排潜力与成本。

参考文献

1. Ford, N. M., Balakrishnan, M., von Fellenberg, S. D., Haggard, D., et al. (2026, October 19). Ionization Structure and Metal Enrichment of the Galactic Center Minispiral Observed with JWST. The Astronomical Journal, 172(5), 267. https://doi.org/10.3847/1538-3881/ae994d

2. Ford, N. M., et al. (2026, May 13; v2 2026, August 12). Ionization Structure and Metal Enrichment of the Galactic Center Minispiral Observed with JWST. arXiv:2605.13995. https://arxiv.org/abs/2605.13995

3. Pettigrew, K. (2026, October 19). Webb reveals metal-rich gas around Milky Way's central black hole. McGill University, via Phys.org. https://phys.org/news/2026-10-webb-reveals-metal-rich-gas.html

4. Balakrishnan, M., et al. (2026). Infrared Line Diagnostics Fail to Constrain Sgr A*'s UV Output. The Astrophysical Journal（具体发表日期未核实）. https://doi.org/10.3847/1538-4357/ae908b

5. Law, C. J., Lawrence, J., Teague, R., et al. (2026, September 8; v2 2026, October 5). The ALMA View of the Edge-on Gomez's Hamburger System: A Highly-Dynamic, Asymmetric Protoplanetary Disk Reveals the Earliest Phases of Giant Planet Formation. arXiv:2609.09290（已被 The Astrophysical Journal 接收）. https://arxiv.org/abs/2609.09290

6. National Radio Astronomy Observatory. Cosmic “Hamburger” Has the Secret Ingredients (For Giant Planet Formation, That Is)（发布日期未核实）. https://public.nrao.edu/news/gomez-hamburger-giant-planet-formation-alma/

7. National Radio Astronomy Observatory. (2026, October 19). Cosmic 'hamburger' offers rare edge-on view of where giant planets may take shape. Phys.org. https://phys.org/news/2026-10-cosmic-hamburger-rare-edge-view.html

8. Höglund-Isaksson, L., Gómez-Sanabria, A., Kuehnle-Nelson, L., Brocza-Pflügl, F., Quinn-Savory, S., Lindl, F., Huang, C., & Zhang, S. (2026, October 13). Global Anthropogenic Methane Emissions: Bottom-Up Simulations of Current Trends and Scope for Future Mitigation. Global Biogeochemical Cycles. https://doi.org/10.1029/2026GB009471

9. IIASA. Getting back on track to reduce methane emissions（发布日期未核实）. https://iiasa.ac.at/news/oct-2026/getting-back-on-track-to-reduce-methane-emissions

10. International Institute for Applied Systems Analysis. (2026, October 19). Fully implementing methane plans could reverse emissions growth but miss 2030 target. Phys.org. https://phys.org/news/2026-10-fully-methane-reverse-emissions-growth.html

11. IIASA. Policy action key to unlocking cost-effective methane reductions（发布日期未核实）. https://iiasa.ac.at/news/nov-2025/policy-action-key-to-unlocking-cost-effective-methane-reductions

12. Höglund-Isaksson, L., et al. (2026). IIASA-GAINS model: Global database on anthropogenic methane emissions, future mitigation potentials and costs (version 4.1c) [Dataset]. Zenodo. https://doi.org/10.5281/zenodo.21372813

13. Scientists are growing human brain tissue in living mice – could this make their welfare harder to assess? (2026, October 19). The Conversation（本期未收录）. https://theconversation.com/scientists-are-growing-human-brain-tissue-in-living-mice-could-this-make-their-welfare-harder-to-assess-293390

14. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

15. 信息同步发表于恩特学术，智能时代的学者社区

2018 年 7 月 9 日，爱丁堡大学图书馆举办以博士论文为主题的维基百科编辑马拉松，由数字策展人 Gavin Willshaw 主持培训。摄影：Stinglehammer，来源：Wikimedia Commons，许可：CC BY 3.0。

2026 年 10 月 19 日，美国南加州大学的 Helen Choi 在 LSE Impact Blog 撰文，认为生成式 AI 正在分走维基百科的读者和志愿者，学者有伦理责任通过引用、教学和编辑来维护它。这是一篇规范性论证，不是实证研究；已有研究显示维基百科确实会影响科研写作，但学者参与的成本和制度障碍同样真实。

Choi 的论证与建议

LSE 这篇博客是 Choi 一篇期刊论文的缩写版。论文题为《Towards a practice of knowledge commoning: academics' ethical duties to defend Wikipedia in the age of generative AI》，2026 年 4 月 15 日投稿，9 月 1 日接收，9 月 11 日在线发表于施普林格旗下的《AI and Ethics》，开放获取。论文的数据声明写明“本研究未生成或分析数据集”：它用哲学和政治理论搭建论证，判断“学者应当做什么”，而不是测量学者实际做了什么。

Choi 描述的威胁是一条链：人们在 Gemini、ChatGPT 等产品里直接拿到答案，即使答案附有维基百科链接，多数人也不点进去；维基百科的写作、编程和管理都靠志愿者，而志愿者来自读者，读者减少就意味着更少的新条目、更新和纠错。与此同时，AI 公司又依赖维基百科约 50 亿词的人写内容训练模型，有的未经授权抓取，有的（她点名微软、亚马逊和 Meta）付费购买高速 API。论文借用埃莉诺·奥斯特罗姆的公地理论来解释这种处境：知识不会因多人使用而减少，维基百科面临的不是“用得太多”，而是“没人参与就荒废”。

为什么责任落到学者身上？Choi 的主要依据是政治哲学家艾丽斯·马里恩·杨（Iris Marion Young）的“社会联结模型”：结构性的不公正不一定有某个直接肇事者，凡是社会位置与相关结构相连的人，都有责任参与纠正。她认为学者处在知识生产的结构中心：生产有来源可查的知识，培养下一代知识生产者，也有学科专长去发现并填补维基百科的覆盖缺口。她在博客里特意说明，学者不是伤害维基百科的一方，而是作为同样的“知识守护者”有义务帮它抵御伤害者。论文还援引佩蒂特的“非支配”概念和弗里克的“诠释不正义”概念，把 AI 公司对维基百科内容的集中占用定性为一种结构性的认知不公正。

落到行动上，她提出三件事。第一是引用：研究中用过维基百科就如实注明，让它在学术记录里可见；她还指出，复用维基百科内容按其 CC BY-SA 4.0 许可本就需要署名。第二是教学：让学生为维基百科写条目。据 Wiki Education 基金会官网，2010 年以来美国和加拿大有 8000 个班级、15.2 万名学生通过其项目编辑维基百科，新增约 1.25 亿词。Choi 还提到，英文维基百科 2026 年 3 月通过政策，禁止用大语言模型生成或改写条目内容（翻译和小幅文字校改除外），因此这类作业可以让学生练习独立写作。第三是直接编辑：补充专业内容、纠正错误、为复杂话题补充背景；她认为维基百科的引用规范与学术规范相近，学者上手的难度比一般人低。

维基百科与科研的实证联系

维基百科会不会反过来影响科研？麻省理工学院的尼尔·汤普森（Neil C. Thompson）和匹兹堡大学的道格拉斯·汉利（Douglas Hanley）做过一项随机对照实验。他们请化学博士生撰写 43 篇维基百科尚未覆盖的研究生层次化学条目，2015 年 1 月随机挑出一半上传，另一半留作对照，再比对此后 Elsevier 期刊全文中的用词。结果是，上传组条目里的表述和概念更多地出现在相关期刊论文中，影响在论文引言部分最明显，在方法部分最弱。作者据此认为，科研人员把维基百科条目当作一种影响力较弱的综述文章来用，主要借它梳理研究背景。论文较新的版本还报告，被写进实验条目参考文献的论文，之后获得的引用多于对照组。

这项研究需要按它的边界来读。它目前是 SSRN 上的工作论文（2017 年上线，2019 年最后修订），不同版本对效应大小的估计并不一致，从“相关论文中约每 300 个词有 1 个受影响”到“约每 830 个词有 1 个”不等。真正有统计效力的只有化学这一组；同时开展的计量经济学一组条目浏览量太低，作者没有把它作为主要结果。测量对象是词汇层面的相似度，作者也承认，引用增加可能只是有人读了维基条目就引用原论文，而没有读原文。影响在高收入国家的研究者中最强。

汤普森与汉利随机对照实验的设计示意：43 篇新写的化学条目随机分为两组，一组上传维基百科，一组不上传，再比较此后 Elsevier 期刊论文的用词与引用。依据论文文字描述绘制，非原文图表，不含结果数值。AI 生成示意图。

另一项研究说明，维基百科读者本来就很少顺着引用继续读。洛桑联邦理工学院的 Tiziano Piccardi 等人在 The Web Conference 2020 上发表的论文记录了英文维基百科读者与参考文献的交互：约 0.29% 的页面浏览会点击参考文献，相当于不到每 300 次浏览一次；一个月内 93% 的被引网址无人点击；条目越短、质量越低，读者越常点开参考文献。Choi 在论文中也引用了“超过 99% 的读者不点击参考文献”的说法。换句话说，维基百科本身对多数读者已经是终点，而不只是通往原始文献的入口；AI 答案再把读者挡在维基百科之外，是这一结构的又一层。

至于读者是否真的在流失，最常被引用的是维基媒体基金会 2025 年 10 月 17 日的公告。基金会更新机器人流量识别方法，重新分类了 2025 年 3 月至 8 月的数据，此后人类页面浏览量比 2024 年同期下降约 8%。基金会认为这反映了生成式 AI 和社交媒体改变了人们找信息的方式，尤其是搜索引擎直接给出基于维基百科内容的答案；它同时提醒，前后时段适用的识别规则不同，数据需要谨慎解读。这是平台方对趋势的判断，并不是对 AI 影响的因果估计。

争议与局限

Choi 自己承认了这项号召最直接的阻力。多数高校的晋升和终身教职评审只奖励同行评审发表，编辑维基百科几乎不计入；把它加进学者的“服务”工作，还可能加剧已有的不平等，因为女性和有色人种学者本就承担更多服务工作。她因此主张高校在考核中承认这类公共参与，也承认这种制度改革需要时间，而维基百科未必等得起。论文给个人学者的折中建议，是先从更容易落实的两件事做起：在研究中如实记录对维基百科的使用，以及把它纳入教学。

第二个张力来自维基百科与 AI 公司的关系本身。2026 年 1 月 15 日，维基媒体基金会旗下的 Wikimedia Enterprise 首次公布亚马逊、Meta、微软、Mistral AI 和 Perplexity 为合作方，它们与此前的 Google 等公司一样使用其高吞吐 API；基金会的说明是，企业付费购买的是数据交付服务，内容本身仍然自由许可。博客只把这类付费列为 AI 公司获取内容的一种方式，论文则进一步指出其中的矛盾：收费可能缓解无偿抓取引发的不满，却也可能把维基百科重新塑造成商品，并让基金会与志愿者社区之间的决策权问题更难回避。这说明“捍卫维基百科”并不只是对外抵御 AI 公司。

第三，维基百科本身并非没有问题。Choi 在论文中列出了已有研究记录的偏差：编辑群体以男性和白人为主，少数编辑贡献了大部分内容，条目集中于北美、欧洲和东亚，新编辑还可能遭遇把关甚至种族和性别歧视。Wiki Education 官网称，维基百科的人物传记中只有 20% 是女性。在她的论证里，这些缺口正是学者应当参与修补的理由；但它也意味着，学者进入维基百科需要适应一个规则和文化都与学术界不同的社区，而不只是把论文知识搬上去。

一些数字在转述中口径变宽了，引用时值得回到原处。博客说“维基百科约 19% 的新活跃编辑来自 Wiki Education 项目”，而 Wiki Education 官网的原话是“英文维基百科 19% 的新贡献者”来自其项目，并以 2021 年的数据为背景，属于机构自述；禁止 AI 生成内容的政策同样只针对英文维基百科。在编辑看来，这些出入不改变 Choi 的主论点：她的结论建立在价值判断上，说服力取决于读者是否接受“位置决定责任”的伦理框架，而不取决于某一个统计数字。

参考文献

1. Choi, H. (2026, October 19). Academics have a duty to defend open knowledge systems like Wikipedia. LSE Impact Blog.

2. Choi, H. (2026). Towards a practice of knowledge commoning: academics' ethical duties to defend Wikipedia in the age of generative AI. AI and Ethics, 6, 511.

3. Thompson, N. C., & Hanley, D. (2017, rev. 2019). Science Is Shaped by Wikipedia: Evidence From a Randomized Control Trial. MIT Sloan Research Paper No. 5238-17, SSRN.

4. Piccardi, T., Redi, M., Colavizza, G., & West, R. (2020). Quantifying Engagement with Citations on Wikipedia. Proceedings of The Web Conference 2020.

5. Miller, M. (2025, October 17). New user trends on Wikipedia. Wikimedia Foundation.

6. Wiki Education. Impact. Retrieved 2026-10-20.

7. Milman, O. (2026, March 27). Wikipedia bans AI-generated content in its online encyclopedia. The Guardian.

8. Wikimedia Enterprise. (2026, January 15). Announcing New Wikimedia Enterprise Partners for Wikipedia's 25th Birthday.

9. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

10. 信息同步发表于恩特学术，智能时代的学者社区

正在成型的科研版 AI IDE。2026-09-23 的 v0.33.0 加入按纳入/排除标准自动筛选文献（Included / Needs review / Excluded），并保留 PDF 证据位置。

从找文献、跑代码和 provenance，进入系统综述的筛选环节，更接近可追溯的文献纳排工作流。

原始来源

科研 Agent 的‘文档解析基础设施’继续升级。 把复杂 PDF、扫描件、DOCX、PPTX、XLSX 转成适合 LLM、RAG、Agent 使用的 Markdown 和 JSON，尤其擅长论文公式、表格和复杂版式。

为科研 Agent 提供 PDF 到干净结构化数据的关键基础层。

原始来源

成熟的科学论文 RAG 仍在持续维护。 专门针对科学论文设计的高精度、带引用 RAG/Agent 系统，而不是通用文档聊天壳。

适合作为论文问答、Literature Review Agent、Evidence Agent 的参考实现和后端组件。

原始来源

Zotero 真正开始变成 Agent 的科研数据库。 直接在 Zotero 内运行 MCP Server，让 Claude、Cursor 等 AI 客户端搜索、读取甚至修改本地文献库。

可把 Zotero 库作为科研 Agent 的长期知识库和可操作数据层。

原始来源

上海 AI Lab 开放 744B 长流程科研 Agent 模型。 面向检索、写代码、跑实验、分析结果、失败恢复和交付成果等长流程任务的开放权重 Agent 模型。

将科研长任务能力推进到开放权重模型层，可评估 Agent harness、工具调用与长期实验执行能力。

原始来源

登上 Nature：把论文直接‘编译’为可调用科研 Agent。 输入论文及其代码库，Paper2Agent 自动生成经过验证的 MCP Server 或 Agent Skill，让 AI 可调用论文方法处理新数据。

代表从 Paper 到 Tool/Agent 的知识执行范式，便于复现并组合跨论文方法。

原始来源

165 个科研 Skill 正在变成科研 Agent 的‘插件生态’。 K-Dense 将科研常见数据库、Python 库和研究流程封装为标准 Agent Skills，可用于 Codex、Claude Code、Cursor、Gemini CLI 等。

让文献搜索、数据库查询、统计分析、科研绘图、复现等可验证任务成为可复用领域 Skill。

原始来源

把‘找方向 → 做实验 → 形成论文证据’串成闭环。 EvoMap 开源的科研 Agent 工作流，能从研究想法开始执行到实验、结果分析、独立评审和 paper-ready evidence package。

强调失败后的证据迭代、完整实验轨迹、cross-review、provenance 和状态恢复。

原始来源

0.7.15：长流程科研 Agent 的底层 Harness。 LangChain 的开源 agent harness，重点解决 planning、filesystem、subagent、context management 与长任务执行。

为持续几十分钟或数小时、涉及资料、代码、中间文件和子任务的科研任务提供运行层。

原始来源

科研 Agent 的‘真科研考试’。 让 Agent 在终端完成完整科研任务，并检查生成的代码、分析、模拟、证明和数据产物。

将真实科研环境、正确 artifact 和失败后恢复作为科研 Agent 的评估标准。

原始来源

2.9.0：把社会科学研究变成可执行的 Agent 实验。 从大量虚拟人聊天转向 Executable Social Science 实验环境。

强化实验条件控制、结果重放、Agent 行为轨迹与不同模型条件比较等工程基础设施。

原始来源

一个模型处理科研表格里的分类、回归和缺失值。 约 400M 参数的结构化数据 Foundation Model，可用同一预训练模型处理分类、回归、缺失值填补及一定的变量结构信息提取。

可作为科研 Agent 的底层 Data Analysis Tool，用于初步预测、插补和变量关系探测。

原始来源

机器学习势开始真正进入完整酶反应模拟。 Meta FAIR Chemistry 将 UMA/eSEN 开放机器学习原子势推进到完整酶加显式溶剂、接近量子精度的原子模拟。

可形成 LLM 提出结构和实验条件、科学计算器给出能量/力、Agent 再据此决策的闭环。

原始来源

Science 论文同步开放腹部 CT 通用视觉语言模型。 阿里达摩院与浙江大学等开放可识别 18 类解剖结构、146 种影像学发现的腹部 CT 模型，并提供代码、预处理流程和预训练 checkpoint。

展示自然产生科研/临床报告、弱监督图文对齐与一个模型覆盖大量细粒度任务的研究范式。

原始来源

NVIDIA 把蛋白结构、分子对接、生成化学和基因组分析封装成 Agent Skill。

科研 Agent 的专业能力从模型知识转向可加载、可评测的领域 Skill。

原始来源

把电源、万用表、示波器等实验仪器统一成 Python API，并给 Codex/Claude 配了硬件 Skill。

科研 Agent 从读写文献延伸到控制真实测量设备。

原始来源

37k Star 的论文翻译工具，开始补齐扫描 PDF。保留公式、图表和排版，并提供 CLI、GUI、Docker、Zotero 与 MCP。

可嵌入科研 Agent 的论文解析与翻译组件，适合上传论文后解析、翻译、阅读。

原始来源

把浏览过的网页和本地文件做成完全本地的个人阅读搜索引擎，再通过 MCP 给 Agent 用。

解决几个月前看过的论文或方法在哪，适合长期研究的个人检索层。

原始来源

Jupyter 官方 AI 扩展把 Claude、Codex、Gemini 等 Agent 接进 Notebook。

科研人员不必换平台，Agent 可在原有 Notebook 里改 cell、跑代码并检查输出。

原始来源

让科研 Agent 在运行中持续自我进化：Serve、Observe、Grow、Commit。

比单次 Skill 优化更底层，可按真实任务和 verifier 持续更新模型或 harness。

原始来源

LOADBench 是慕尼黑工业大学、葡萄牙电信研究所与 Sony AI 等发布的开放模拟电路数据集与基准，收录 101 个基于 SKY130 开源工艺的运放拓扑，每个拓扑约百万组尺寸—性能仿真数据，并定义六项任务。数据集 v1 于 2026 年 8 月发布于 Zenodo，采用 CC BY 4.0 许可。本文为资料核验，未安装实测。

数据内容与格式

按 Zenodo 记录，数据集共有 31 个一级、44 个两级、18 个三级运放和 8 个对称结构运放，全部基于开源工艺设计套件 SkyWater130（SKY130）。每个拓扑的文件夹里有：NSGA-II 多目标优化全过程的仿真表（约 10⁶ 组尺寸—性能对），最终帕累托前沿（约 10³ 个点，已拆分训练集与测试集），晶体管匹配关系，功能分区与结构识别（电流镜、差分对等）两份 XML，以及一个可用 Ngspice 直接运行的测试平台示例。论文列出 14 项性能指标，包括直流增益、特征频率、相位裕度、功耗、面积、压摆率和共模抑制比等，其中 12 项是优化目标。尺寸数据由 AIDA 软件中的 NSGA-II 生成，每个电路种群 1024、迭代 1000 代。数据以 CSV、XML 等通用格式保存，另附一份裁剪过的 SKY130 器件库，用来缩短仿真加载时间。

版本、许可与获取

以下为 2026 年 10 月 17 日的核验结果。数据集在 Zenodo 上只有 v1 一个版本，发布日期为 2026 年 8 月 2 日（DOI 10.5281/zenodo.21759759），许可为 CC BY 4.0，再分发和改作需要署名。7 个压缩文件合计约 38.9 GB，论文称解压后约 110 GB；只做拓扑选择或逆向尺寸任务时，下载 5.1 GB 的基准子集和 0.6 MB 的精简 PDK 即可。配套论文发表于 2026 年 9 月的 MLCAD 2026 会议，预印本于 10 月 15 日提交 arXiv。评测脚本仓库 FilipeAz/LOADBench-Scripts 未归档，没有发布版本，最近一次提交在 2026 年 8 月 3 日。仓库里没有 LICENSE 文件，GitHub 也未识别出许可证；论文附录写明代码许可为 CC BY 4.0，但这一声明没有落到仓库中，打算修改或再分发脚本前，最好先向作者确认。运行环境方面，作者只在 Ngspice 44.2 上测试过仿真流程；脚本要求 Python 3.9 及以上，并按任务分别依赖 numpy、pandas、networkx、pygmo 或 scikit-learn。

LM1117 低压差线性稳压器的集成电路裸片照片。它是一枚模拟芯片，用来示意模拟 IC 的物理形态，并非 LOADBench 数据集中的电路。作者：ZeptoBars；来源：Wikimedia Commons；许可：CC BY 3.0。

模拟电路设计至今仍高度依赖工程师经验。论文指出，这一方向的机器学习研究大多在各自定制、常常封闭的数据上用临时指标报告结果；商业工艺设计套件的保密协议又限制了电路数据共享，不同方法很难直接比较。LOADBench 的思路是把数据和评测协议一起固定下来：在同一批拓扑上定义逆向尺寸设计、拓扑选择、子电路分类、结构化电路生成、帕累托成员预测和多目标优化六项任务，并规定测试拓扑、数据拆分和指标。例如，逆向尺寸任务选定一级、两级、三级运放各 5 个，用一个 0–100 的品质因数（FoM）综合预测误差、不可行解比例和额外仿真次数；多目标优化任务要求在相同仿真预算下与 NSGA-II 比较超体积比。整套流程只用开源 PDK 和开源仿真器，外部研究者不需要商业授权就能复现仿真。对研究 EDA 机器学习、电路图表示学习或大模型电路生成的团队，它提供了一个可以共同报告结果的起点。作者给出的参考结果也说明这些任务远未饱和：用全连接网络做逆向尺寸，三级运放的 FoM 只有 27.81，不可行预测占 61.88%；用全部指标检索拓扑时，测试集 top-1 准确率为 37.2%。这些数字来自论文，本站没有复现。

局限与上手建议

使用前需要看清适用范围。数据只覆盖运算放大器这一类电路，全部基于 130 nm 的 SKY130 工艺，结论能否迁移到其他电路类型或先进商业工艺，论文没有给出证据。作者也提醒，测试平台为探索性能空间和仿真速度而设计，并未针对稳健性优化；优化时的性能约束设得较宽，数据中可能包含不适合实际设计的点，例如帕累托集的极端点，或短时瞬态仿真没有发现的时域异常。配套脚本覆盖电路生成、拓扑选择、多目标优化和逆向尺寸四项任务；子电路分类按宏平均准确率、精确率、召回率和 F1 评估，帕累托成员预测以 ROC-AUC 为主要指标，两者都没有单独脚本。文档细节也有出入：README 示例命令写的是 circuit_matcher.py，仓库中的文件名却是 struct_matcher.py；README 要求使用的训练集文件 FinalPOFtrain.csv，在 Zenodo 说明里写作 FinalPOFTraining.csv，应以解压后的实际文件名为准。想低成本验收，可以只下载精简 PDK 和基准子集，在 Ngspice 44.2 下运行 SimpleThreeStageOpAmp_SimpleOpAmp1_1_4 的 example_run，把直流增益（论文附录给出约 98.47 dB）、相位裕度（约 61.68°）等输出与附录预期值逐项对照。这只是建议的验收步骤；本文为资料核验，未安装实测。

741 运算放大器的晶体管级原理图，虚线框按颜色标出电流镜（红）、差分放大器（蓝）、A 类增益级（品红）、电平移位（绿）和输出级（青）。LOADBench 的结构识别标注的正是电流镜、差分对这类子电路；此图为经典双极型运放，并非数据集中的 SKY130 电路。作者：Daniel Braun；来源：Wikimedia Commons；许可：CC BY 2.5。

参考文献

1. Leibl M, Azevedo F, Uhlich S, et al. LOADBench: A Large Open Analog Dataset and Benchmark for Machine Learning in IC Design[C]//MLCAD '26. arXiv:2610.21591, 2026-10-15. https://arxiv.org/abs/2610.21591

2. Leibl M, Azevedo F, Uhlich S, et al. LOADBench: A Large Open Analog Dataset and Benchmark for Machine Learning in IC Design – Dataset (v1)[DS]. Zenodo, 2026-08-02. DOI: 10.5281/zenodo.21759759. https://zenodo.org/records/21759759

3. FilipeAz. LOADBench-Scripts[CP]. GitHub, 最近提交 2026-08-03. https://github.com/FilipeAz/LOADBench-Scripts

4. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

5. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

Better BibTeX for Zotero（BBT）是 Emiliano Heyns 维护的 Zotero 插件，以 MIT 许可证在 GitHub 公开，面向用 LaTeX、Markdown 写作的研究者。它为每条文献生成不冲突的引用键，并在文献库变动时自动重写 .bib 文件，让正文里的 \cite{} 或 [@key] 始终对得上参考文献库。本文为资料核验，未安装实测。

Zotero 7 macOS 版界面，仅用来展示 Zotero 桌面端，并非 BBT 界面；当前版 BBT 已不再支持 Zotero 7。图片：Corporation for Digital Scholarship (Zotero)，来源 Wikimedia Commons，许可 CC BY-SA 4.0。

版本、许可证与 Zotero 兼容性

截至 2026 年 10 月 18 日核验，GitHub 仓库 retorquere/zotero-better-bibtex 未归档，最新正式版为 v9.0.71，发布于 2026 年 10 月 7 日（UTC），安装文件为 zotero-better-bibtex-9.0.71.xpi。仓库根目录 LICENSE 是 MIT 许可证，版权人为 Emiliano Heyns，GitHub 也将其识别为 MIT；不过 package.json 的 license 字段写的是 ISC。两者都是宽松许可，需要再分发或改写代码时，宜以 LICENSE 正文为依据并保留版权声明。

兼容性要分开看。官方主页说明，Zotero 8 起条目有了原生“引用键”字段，取代了 BBT 自己的引用键存储，因此 Zotero 7 不再受支持，BBT 8.0.25 仍可在 Zotero 7.0.32 上运行，但不再更新。v9.0.71 的发布说明写的是“兼容 Zotero 8 与 Zotero 9 beta”，而 Zotero 官方更新日志显示，Zotero 10.0 已于 2026 年 8 月 17 日发布，当前最新为 10 月 7 日的 10.0.6。同一版本的 package.json 把适用范围声明为 Zotero 8.0.1 至 11.*，仓库 10 月的多份问题报告也来自 Zotero 10.0.6 搭配 BBT 9.0.71 的用户，可见已有人在 Zotero 10 上使用它。但这些报告里也有未关闭的缺陷，例如 #3626 反映一台域管理的 Windows 11 电脑上 CAYW 引用接口返回空响应。发布说明尚未明确写出 Zotero 10，依赖 CAYW 接口或 Obsidian、Pandoc 等集成的用户，升级前可先备份 Zotero 数据目录，并留意相关 issue。

安装步骤

官方安装文档给出的步骤如下（本文未在本机执行）：

1. 从 GitHub Releases 下载最新的 .xpi 文件。用 Firefox 下载时要右键“另存为”，直接点击会被 Firefox 当作自身扩展安装，并报“文件损坏”。
2. 在 Zotero 主菜单打开“工具 > 插件”（Tools > Plugins）。
3. 点击右上角齿轮，选择“从文件安装插件…”（Install Plugin From File…）。
4. 选中刚下载的 .xpi，点击安装。

首次安装后插件会自动更新，也可以在插件页的齿轮菜单里选择“检查更新”确认版本。BBT 只能装进 Zotero 桌面端，不能装进浏览器。另需注意，BBT 默认生成的引用键与 Zotero 原生导出不同；作者只建议手头已有按 Zotero 原生键写成的论文时，才把公式改回 zotero。

写 LaTeX 或 Markdown 论文时，引用键是正文和文献库之间唯一的连接。Zotero 自带的 BibTeX 导出在每次导出时临时生成引用键，带来三个问题：导出前看不到键；改正作者拼写或标题后键会变；键冲突时哪一条加后缀并不确定。BBT 把引用键变成条目上可见、可自定的数据，并让 .bib 文件随文献库自动更新，适合写作周期长、文献反复增删的学位论文作者、合著团队，以及用 Overleaf 或 Pandoc 排版的研究者。它还能在导入导出时互转 Unicode 字符与 LaTeX 写法（如 ö 与 "{o}），减少 BibTeX 编译时的字符问题。

引用键规则

BBT 的默认公式是 auth.lower + shorttitle(3,3) + year：取第一作者姓氏并转为小写，接标题前三个词（这三个词首字母大写），再接出版年；如果与库中已有的键冲突，自动追加 a、b、c 等字母后缀。这个后缀不能关闭，但可以改成 Zotero 式的数字。举例来说，第一作者为 Smith、标题为 Protein Structure Prediction Methods 的 2021 年论文，按公式推算会得到类似 smithProteinStructurePrediction2021 的键（按文档规则推算，未经软件生成）。

公式由四类元素组成：函数（如 auth、shorttitle，以小写字母开头）、字段读取（以大写字母开头，直接取 Zotero 字段）、过滤器（如 .lower，可以链式叠加）和引号中的固定文字，并可用 +、||、&& 和三元运算组合。多条公式用分号或竖线分隔，按顺序取第一个非空结果，全部为空时生成随机键。有两点要注意：一是修改公式只影响之后新建或修改的条目，已有的键不会自动重算，需要选中条目、右键执行 Better BibTeX > Refresh；二是 Zotero 8 之后引用键存进 Zotero 原生字段，官方说明“键现在总是固定的”，并且可以随 Zotero 同步，用户也可以手动改成自己想要的键。

引用键还能直接拖进编辑器。这需要一次性设置：在 BBT 偏好设置的 Citation keys 中选定 Quick Copy 格式，再到 Zotero 设置的“导出”页，把默认输出格式设为“Better BibTeX Quick Copy: 所选格式”。之后把条目拖进 LaTeX、Markdown 或 Org-mode 编辑器，就会插入 \cite{citekey}、[@citekey] 或带 zotero://select 链接的引用；LaTeX 的引用命令名可在偏好设置里修改，填写时不带反斜杠。

自动导出设置

自动导出只能在一次导出操作中注册，不能在偏好设置里新建：

1. 在 Zotero 左侧栏右键文献库、群组或分类，选择“导出文库…”或“导出分类…”。
2. 格式选择 BBT 提供的转换器（如 Better BibTeX 或 Better BibLaTeX），勾选 Keep updated（保持更新）。
3. 选择保存位置，例如论文项目目录下的 references.bib。此后该分类或文库中的条目一有变动，就会触发重新导出。

执行时机在 BBT 偏好设置中选择：on change 尽快执行；on idle 等 Zotero 空闲几秒后执行；paused 暂停执行，但仍记录待导出的任务。已注册的任务在偏好设置的 Automatic exports 标签页查看、修改或删除。作者提醒不要设置过多自动导出，按论文分别建分类、只导出需要的部分，性能更好。

Overleaf 在线 LaTeX 编辑器界面。BBT 自动导出的 .bib 文件可以通过云盘直链或 git 同步到这类项目中。图片：Overleaf, Microsoft，来源 Wikimedia Commons，许可 CC BY-SA 4.0。

要把 .bib 同步到 Overleaf，官方文档列了三种做法：导出到能提供直接下载链接的云盘文件夹，再在 Overleaf 用 Add file > From external URL 导入，新增文献后在 Overleaf 手动刷新；使用 Overleaf 的 Dropbox 集成（Overleaf 付费功能）；或者在论文仓库的克隆中运行 git config zotero.betterbibtex.push true 并把自动导出指向该目录，BBT 每次导出都会依次执行 git pull、导出、add、commit 和 push（Overleaf 的 git 集成同样是付费功能）。git 方式会把该克隆里其他已暂存的改动一并提交推送，作者建议单独准备一个只供 BBT 写入的克隆。

想先确认它是否适合自己的流程，可以做一个小规模验收（这是建议，本文未执行）：建一个含 5 条文献的测试分类，以 Better BibLaTeX 格式勾选 Keep updated 导出到空目录；修改其中一条的标题，看 .bib 是否自动更新而引用键保持不变；再加入一篇与已有条目同作者、同年份、标题开头相近的文献，看是否得到带字母后缀的不重复键。

参考文献

1. Emiliano Heyns. retorquere/zotero-better-bibtex. GitHub，2026-10-18 核验。

2. Release v9.0.71. GitHub，2026-10-07 发布。

3. LICENSE（MIT License）. GitHub。

4. package.json（master 分支，version 9.0.71）. GitHub，2026-10-18 核验。

5. Better BibTeX for Zotero 官方文档.

6. Installation. Better BibTeX for Zotero 文档。

7. Citation Keys. Better BibTeX for Zotero 文档。

8. Automatic export. Better BibTeX for Zotero 文档。

9. Zotero Version History. Zotero 文档，2026-10-18 核验。

10. Issue #3626: CAYW endpoint returns empty response on Zotero 10.0.6 / BBT 9.0.71. GitHub，2026-10-08 提交。

11. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

12. 信息同步发表于恩特学术，智能时代的学者社区

原始来源

灾难过后，人群一定衰退吗？熟悉的狮子体内，还藏着多少未知生物？火星的卫星又从哪里来？本期选取10月13日至19日值得关注的三条消息：一项新发表的火山考古研究、一项本周获机构介绍的微生物组研究，以及即将启程的火卫一采样任务，看看不同学科怎样从留下的痕迹追问过去。

Divergent demographic responses to the Kikai-Akahoya volcanic catastrophe in mid-Holocene Japan

10月14日发表于《Science Advances》的研究，重新讨论约7300年前鬼界—赤保屋喷发后，日本绳文人群发生了什么。团队用统计模型推断人口与环境变化，发现紧邻火山的一些地区出现人口崩溃，但部分邻近人群反而增长，较远地区也受到此前被忽视的影响。论文与摘要

这使“全都毁灭”或“基本无事”都显得过于简单。同一次灾难对不同社区的影响，可以方向相反。不过，这里的人口变化是模型推断；仅凭某地增长，还不能直接确定迁入者来自哪里，更不能把灾后增长解释为喷发带来了好处。

The gut microbiome profile of lions in Etosha National Park, Namibia

威特沃特斯兰德大学10月13日介绍的一项研究，把目光转向纳米比亚埃托沙国家公园的野生狮。论文已于9月18日在《Animal Microbiome》提前发表，并非本周才出现的新成果。研究者分析20头狮子的23份新鲜粪便，重建了318个细菌和102个病毒宏基因组组装基因组。期刊原文

多数组装基因组与既有参考基因组差异较大，提示许多潜在新物种仍未进入数据库。这里的“发现”来自DNA测序与计算重建，并不等于已经逐个培养、命名这些微生物；代谢通路预测也不能直接证明它们在狮子体内的实际作用。研究补上了野生宿主的一块资料空白，但样本还不足以充分回答不同狮群或生命阶段的差异。大学介绍

Mars moon lander set to launch on 19 October

另外一条消息还在等待证据的到来。ESA于10月13日发布的公告称，由JAXA牵头的MMX任务计划于日本时间10月20日04:41发射，即北京时间10月20日03:41。截至本期截稿，这仍是发射计划，不能写成已成功启程。ESA公告

火卫一究竟是被火星捕获的小行星，还是大撞击后聚集的碎片？任务希望用带回地球的样本帮助区分这些解释，目标是在2031年返回至少10克物质。它值得关注的地方是取证方式：把遥感观测推进到可以在地面实验室反复分析的实物样本。采样、返回和起源判断都尚待完成，任务目标也不等于发现生命。JAXA任务说明

1. 参考文献

• University of Oulu / Science Advances： Divergent demographic responses to the Kikai-Akahoya volcanic catastrophe in mid-Holocene Japan（2026-10-14）。
• Animal Microbiome： The gut microbiome profile of lions in Etosha National Park, Namibia（2026-09-18）。
• Wits University： Inside a lion's gut（2026-10-13）。
• European Space Agency： Mars moon lander set to launch on 19 October（2026-10-13）。
• JAXA： ミッション概要・ミッションフロー（页面未标明发布日期）。

参考文献

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

2026年10月16日，Retraction Watch 报道，出售论文署名位置的 Springer Journals Online 网站已无法访问，距其调查刊出四天。施普林格·自然否认与该机构有关联。网站下线尚不意味着业务终止；这起事件也留下一个问题：当署名被包装成可购买的“合作机会”，研究者该如何辨认？

招揽邮件与网站下线

这条线索始于一封招揽邮件。据 Retraction Watch 10月12日的调查，加州大学伯克利分校退休计算机科学家 Richard Fateman 在8月收到邀请：通过分担发表费用，获得拟投知名期刊论文的署名位置。邮件列出可选稿件、预计发表时间和作者顺位。他没有购买。

“Springer Journals Online”这个名字容易使人联想到正规出版社，但两者的联系被明确否认。施普林格·自然发言人向 Retraction Watch 表示，该机构与公司无关，其反盗版与安全运营中心已知情，正与有关部门处理。邮件署名所指的研究者 Rafael Di Marco Barros 也向记者否认参与。这些回应均来自报道引述，不能当作我们取得的独立声明。

10月16日的后续报道确认网站已无法访问，域名记录当天也有更新。不过，更新内容、下线原因及确切时刻并未查明，机构亦未回应记者询问。报道无法确定它是否彻底停业，或仍通过其他渠道经营。因此，可以说网站在调查报道之后下线，不能说已证实由调查促成，更不能写成出版社或执法部门已经将其关闭。首次调查、后续报道

署名位置的交易链

署名买卖怎样进入正式文献，Anna Abalkina 的研究提供了可回查的例子。这篇论文于2023年9月1日首次发表，分析俄罗斯一家中介的1,063条署名出售广告，通过标题、年份、作者人数、期刊所在国家及摘要等信息，与实际论文交叉匹配，识别出451篇可能与该机构有关联的作品。这里的“可能关联”保留了研究判断的边界：它不是逐笔核实的成交记录，更不能代表整个行业的规模。

研究与 COPE、STM 的2022年报告显示，交易并非只有一种次序。有的机构先出售位置，再安排写稿；报告还描述了先向期刊投稿、进入修稿或原则接受阶段后再出售署名的模式。作者顺位和目标期刊成为商品条件，中介可以接管投稿与通信。不能据此认定本次涉事机构已经完成了同样的全过程，也不能把它列出的目标期刊理解为出版社同意合作。

这种包装容易模糊一个关键区别：语言编辑或投稿协助围绕作者自己的研究展开；出售署名则把进入作者名单的资格作为交易对象。广告声称“合作”，并不能替代对实际贡献的核查。Abalkina，2023、COPE 与 STM，2022

从警讯到证据

对收到邀请的研究者，最直接的警讯是：一篇已经成形、自己尚未参与的论文，能否按价选择作者顺位？对方是否保证发表，或以分担费用解释加名？这些值得保留证据并进一步询问，而不是仅凭“国际合作”的说法接受安排。

检查已发表论文时，证据要求更高。Abalkina 的工作依靠广告与论文的多项对应关系，并分析专业与论文主题不相称等合作异常；COPE、STM 报告也提醒，应结合多个信号。跨机构、跨学科合作或使用个人邮箱，本身都不能证明买卖署名。修稿后增列作者需要核查缘由，不能一概判为造假。

据此，本文建议先从出版社官方页面寻找联系方式，核实中介声称的关系；保存原始邮件、报价和往来记录，向期刊编辑或所在机构的科研诚信部门反映具体疑点。判断应落在可核查的研究贡献和交易证据上，避免把国家、单位或合作形式当作定罪依据。

期刊与机构的责任

网站下线处理的是一个入口，论文的作者名单和责任记录却可能留在别处。就本案而言，已经公开的出版社回应是“无关联”及正在与有关部门处理，不能据此推断调查、追责或论文清理已经完成。

COPE 与 STM 的2022年报告将应对放在整个发表过程中：投稿阶段加强识别和编辑培训，发现疑点后由诚信团队进一步分析，并联系作者及机构调查；出版后则调查、纠正有问题的学术记录。报告同时主张机构与资助方调整激励，减少追求快速、虚假发表的压力。这些是该报告提出的方向，不是所有期刊已经实行的统一规则。

对机构而言，只清点论文数量，很难回答作者究竟做了什么。本文的判断是，核查应追问研究过程、贡献记录及对结果的责任，而不能止于“文章已被期刊接收”。买来的位置即使出现在正式版面上，也不会自动变成做过的研究；撤掉一个售卖网页，同样不能替代对既有记录的调查。

1. 参考文献

• ‘Springer’ agency website offering authorship for sale goes down following Retraction Watch story（2026-10-16）
• A company named Springer that isn’t the publisher is offering authorship for sale（2026-10-12）
• Publication and collaboration anomalies in academic papers originating from a paper mill: Evidence from a Russia-based paper mill（2023-09-01）
• Paper Mills — Research report from COPE & STM（2022-06）

参考文献

1. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

2. 信息同步发表于恩特学术，智能时代的学者社区

本期从 10 月 12 日至 18 日的科研新闻里选出三项研究：3.8 万首流行歌曲的歌词中，情绪词和亲友称谓越来越少；实验性三肽 DT-109 在猴和小鼠身上减轻了脂肪性肝炎；欧夜鹰的风洞实验显示，宽翼尖让它在高速巡航时付出升力代价。三项研究的证据强度各不相同，下文逐条说明。

欧夜鹰（Caprimulgus europaeus）。图：Dûrzan cîrano，来源：Wikimedia Commons，许可：CC BY-SA 3.0。

三条新闻稿都在 10 月 17 日前后发出，对应论文的发表时间却不一样：歌词研究 10 月 15 日在线发表，欧夜鹰论文 9 月 30 日上线，DT-109 论文早在 2026 年 5 月 12 日就已在线刊出，ScienceDaily 10 月 17 日转发的是密歇根医学的新闻稿。同期还有一篇关于深睡眠与生长激素神经回路的报道，对应的是 2025 年发表于《细胞》（Cell）的小鼠研究，不是本周的新成果，本期不收录。三项研究也属于不同类型的证据：歌词研究是对已发行文本的观察性统计，DT-109 的疗效只在动物身上测试过，欧夜鹰实验只有 3 只个体。

3.8 万首流行歌词中的情绪词变化

密歇根州立大学心理学系的 Logan C. Gibson、Jan W. Brascamp 和 William J. Chopik 在《审美、创造力与艺术心理学》（Psychology of Aesthetics, Creativity, and the Arts）发表论文，Crossref 登记的在线发表日为 2026 年 10 月 15 日。数据集包括 230 位流行艺人的 38,467 首歌曲，时间跨度为 1947 至 2024 年；歌词初步收集后，约 30 名研究助理人工核对了每位艺人的作品目录。研究同时看两种变化：同一位艺人在职业生涯中的变化，以及不同年代出道的艺人之间的差异。

在艺人的职业生涯内，正面和负面情绪词都在减少，提到家人和朋友的词也在减少；焦虑类词语增加，悲伤类词语减少。比较不同年代出道的艺人，也能看到相近的历史趋势，而且代际差异总体上大于个人生涯内的变化。作者原本以为，人随年龄增长更善于调节情绪、更看重亲密关系，歌词会随之更积极、更多谈论关系，结果正好相反。他们据此推测，歌词更多受艺术、文化或唱片行业层面的因素塑造，而不是简单反映歌手本人的心理变化。

这是一项针对已发行歌词的观察性研究，只能描述相关趋势，不能据此说歌手或听众的情感变淡了。本刊未能读到论文全文；据科学新闻网站 ScholarPeer 对论文的转述，研究使用词典式词频统计，计算的是每类词在歌词中所占的比例，无法识别反讽和隐喻；许多歌手并不亲自写词；样本以英美、男性艺人为主；研究未做预注册。按这种方法，“情绪词变少”指的是歌词里直接点名情绪的词所占比例下降，并不等于歌曲表达的情绪本身减少。

DT-109 在猴和小鼠中减轻脂肪性肝炎

这项研究由密歇根大学与多家中国机构合作完成，论文第一作者为 Pengxiang Qu，通讯作者包括密歇根大学的 Y. Eugene Chen，发表于《临床研究杂志》（Journal of Clinical Investigation），2025 年 9 月 23 日投稿，2026 年 4 月 14 日接收，5 月 12 日在线发表，后收入第 136 卷第 13 期。研究对象是代谢功能障碍相关脂肪性肝炎（MASH），即脂肪肝中伴有炎症和肝细胞损伤的较重类型，可能进展为肝硬化和肝癌。DT-109 是一种以甘氨酸为基础的三肽，由三个氨基酸组成。

研究者先给 20 只猴喂食诱导 MASH 的饲料 10 个月，确认发病后随机分成两组，继续喂同样的饲料 5 个月：10 只给予 DT-109，10 只给予溶剂作对照；另有 6 只一直吃普通饲料，作为正常对照。患病猴的回肠里，会产氨的产气荚膜梭菌（Clostridium perfringens）明显增多，肠道屏障受损，肝内 CD8+ T 细胞扩增并释放更多炎症因子 CCL5；用药组的这些指标向正常方向回落，肠黏膜损伤减轻，肝脏炎症和 MASH 程度也有所减轻。为检验因果关系，作者在小鼠和体外实验中做了菌群移植，并使用敲除了该菌亚硝酸盐还原酶 A（NirA）基因的突变株，结果支持“细菌产氨损伤肠屏障，进而加重肝脏炎症”的链条，DT-109 通过抑制这一产氨过程起作用。

论文中的人群数据只用于关联比较：第一组人群中，67 名 MASH 患者的血清 CCL5 高于 44 名健康人；第二组比较了 6 名患者和 6 名健康人的肝组织免疫染色。没有任何人服用过 DT-109。新闻稿标题称新药能“逆转”严重脂肪肝，这一说法只来自动物模型；猴实验每组 10 只，部分分子检测每组只用了 3 至 5 份样本。研究还存在利益关联：密歇根大学持有 DT-109 专利并已授权给 Diapin Therapeutics，Chen 本人和学校持有该公司股份，研究用药也由该公司提供。按新闻稿的说法，下一步是继续评估这种化合物，争取进入临床试验。

欧夜鹰翅膀的低速与高速取舍

隆德大学的 L. Christoffer Johansson、Gabriel Norevik、Sonja Friman 和 Anders Hedenström 在《PLOS 生物学》（PLOS Biology）发表论文，2026 年 3 月 2 日投稿，9 月 14 日接收，9 月 30 日发表。欧夜鹰每年在欧洲和非洲南部之间长途迁徙，黄昏时又要低速飞行甚至悬停来捕捉昆虫，同一对翅膀要兼顾两种很不一样的需求。研究团队 2016 年夏天在瑞典的长期研究区捕获 5 只欧夜鹰，训练后挑出 3 只能稳定飞行的个体，让它们在风洞里以每秒 2.6 至 11 米的速度飞行，用高速摄像机记录翅膀动作，用立体粒子图像测速（sPIV）测量翅膀后方的气流。实验结束后，鸟被放归。

在巡航速度下，欧夜鹰的尾流里出现了少见的“双翼尖涡”，与之对应的是跨度效率随速度升高而下降，说明高速时产生升力的代价偏高。作者的解释是：宽而开缝的翼尖有利于低速时产生升力，代价是高速时效率下降。需要注意的是，下降的是升力生成效率；以单位距离耗能衡量的运输成本仍随速度提高而降低。另一个发现是，在巡航飞行的上挥阶段，外侧翅膀也在产生向前的推力。论文指出，这一特征此前主要见于蝙蝠和蜂鸟（隆德大学新闻稿写作“蝙蝠和昆虫”，本文以论文为准）。作者根据运动学分析推测，这与欧夜鹰上挥时翅膀难以充分折叠有关。

欧夜鹰以 9 米/秒飞行时的尾流涡结构：上方插图显示下挥阶段的双翼尖涡，下方插图显示上挥末段外侧翅膀形成的反向涡环，表明此时翅膀在产生推力。图：Johansson 等，PLOS Biology，2026，图 1；许可：CC BY 4.0。

这项研究的样本很小：只有 3 只个体，数据在 2016 年采集，飞行发生在风洞而不是真实的迁徙途中。“翅膀折叠受限导致上挥产生推力”是作者依据运动学数据作出的推断，是否适用于其他鸟类，还要看后续研究，团队也表示下一步要考察这种发力方式在其他鸟类和飞行动物中是否普遍。新闻稿提到的扑翼飞行器启发，目前仍是展望。论文作者之一 Hedenström 是《PLOS 生物学》编委，论文已作声明。

参考文献

1. Gibson, L. C., Brascamp, J. W., & Chopik, W. J. (2026, October 15). Changes in social and emotional content in song lyrics across popular artists’ discographies. Psychology of Aesthetics, Creativity, and the Arts. https://doi.org/10.1037/aca0000905

2. DeJong, S. (2026, October 17). Popular song lyrics express less emotion over time, analysis of 38K+ songs finds. Michigan State University, via Phys.org. https://phys.org/news/2026-10-popular-song-lyrics-emotion-analysis.html

3. ScholarPeer. Popular Song Lyrics Use Fewer Positive and Social Words Over Time（论文转述，发布日期未核实）. https://scholarpeer.com/popular-song-lyrics-use-fewer-positive-and-social-words-over-time/

4. Qu, P., Ding, S., Zhang, Y., et al. (2026, May 12). Metabolic dysfunction–associated steatohepatitis exacerbated by Clostridium perfringens–derived ammonia is attenuated by tripeptide DT-109. Journal of Clinical Investigation, 136(13). https://doi.org/10.1172/JCI200522

5. Michigan Medicine – University of Michigan. (2026, October 17). New drug reverses severe fatty liver disease by repairing the gut. ScienceDaily. https://www.sciencedaily.com/releases/2026/10/261016080912.htm

6. Johansson, L. C., Norevik, G., Friman, S., & Hedenström, A. (2026, September 30). Nightjars trade off cruising speed efficiency for hovering capabilities and link upstroke thrust production with restricted wing folding. PLOS Biology, 24(9), e3004023. https://doi.org/10.1371/journal.pbio.3004023

7. Lund University. (2026, October 17). This bird flies thousands of miles, but its wings have a catch. ScienceDaily. https://www.sciencedaily.com/releases/2026/10/261016070624.htm

8. University of California – Berkeley. (2026, October 17). Scientists discover how deep sleep builds muscle, burns fat, and boosts the brain. ScienceDaily（对应论文：Ding, X., et al. Neuroendocrine circuit for sleep-dependent growth hormone release. Cell, 2025, 188(18), 4968；https://doi.org/10.1016/j.cell.2025.05.039；本期未收录）. https://www.sciencedaily.com/releases/2026/10/261016081140.htm

9. File:Şivanxapînok.jpg

10. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

11. 信息同步发表于恩特学术，智能时代的学者社区

惠康基金会（Wellcome）2026 年 10 月 10 日发布第三轮全球科学信任调查报告。基于 2025 年对 140 个国家逾 14 万人的访问，报告显示，在三轮都参加的 108 国中，对科学至少有一些信任的比例从 2020 年的 80% 降至 72%；自认收入宽裕的人有 39% 很信任科学，经济拮据者只有 20%。这是横截面关联，不能直接解读为贫困导致不信任。

2012 年 8 月，赞比亚 ColaLife 运营试验的一名调查员为一位母亲做入户问卷访问。照片与 Wellcome Global Monitor 无关，仅用于展示面访调查的现场。摄影：Rohit Ramchandani / ColaLife，来源：Flickr，许可：CC BY-SA 2.0。

调查设计：盖洛普模块、140 国样本与主观收入口径

这份报告不是期刊论文，而是惠康基金会发布的机构报告，正文、技术报告、数据集和国家概况表都在 Wellcome 网站公开。Global Monitor 此前做过 2018 年和 2020 年两轮，2026 版使用 2025 年采集的数据。调查以模块形式嵌入盖洛普世界民意调查（Gallup World Poll），由盖洛普负责抽样和访问；Wellcome 另委托益普索（Ipsos）做数据分析与报告撰写。

样本覆盖 140 个国家，受访者超过 14 万人。多数国家各约 1000 人，中国和印度各约 3000 人，冰岛和牙买加约 500 人。访问方式因国而异，有面访和电话，2025 年还新增了在线访问。报告给出的全球数字按各国 15 岁及以上人口加权，人口越多的国家权重越大；据技术报告，中国约占全部受访国家这一人口的 20%。

核心问题是：“总体而言，你对科学的信任是很多、一些、不多，还是完全不信任？”报道标题里的“经济困难”并不是按收入数额划线，而是受访者对家庭收入的主观感受：在“靠目前收入生活宽裕”“勉强维持”“困难”“非常困难”中选最接近的一项，分析时把后两项合并为一组。也就是说，报告比较的是自觉过得宽裕与否的人群，而不是官方统计意义上的贫困人口。

为了观察变化，报告只用三轮都参加的 108 个国家，也只用三轮题目和选项完全一致的问题，因此趋势数字与 2025 年 140 国全样本的数字会略有出入。分析以单变量和双变量描述统计为主；国家层面另接入盖洛普的机构信心、腐败感知等指数，以及世界银行基尼系数（取各国 2021–2025 年最新一期）。对“科学是否惠及本国多数人”这一问题，报告还使用了个人嵌套于国家的两层线性概率模型，纳入 121,889 名信息完整的受访者，模型不加权。

主要发现：信任回落，收入与医疗信心差距扩大

在 108 国趋势样本中，对科学有“很多”或“一些”信任的比例，2018 年为 77%，2020 年疫情期间升到 80%，2025 年降到 72%；回答“不多”或“完全不信任”的比例从前两轮的 13% 升至 19%。对科学家“很信任”的比例从 34% 升到 43%，再落到 32%，是报告所问各类群体与机构中 2020 年以来跌幅最大的。只看 2025 年 140 国全样本，26% 的人很信任科学，44% 有一些信任，合计 70%。据 SciDev.Net 报道，Wellcome 企业事务与公众参与执行总监 Mark Henderson 在柏林世界卫生峰会上介绍结果时说，这不是危机或整体崩塌，信任仍有相当基础，但表面之下存在变动和脆弱性。

2018、2020、2025 年三轮调查中信任科学（“很多”或“一些”）与不信任科学（“不多”或“完全不信任”）的比例，样本为三轮均参加的 108 个国家，按各国 15 岁及以上人口加权。数据来源：Wellcome Global Monitor 2026。Scholay 据报告数字制作，AI 生成示意图，数值以报告原文为准。

收入感受与信任的关联最为明显。2025 年 140 国中，自认生活宽裕的人有 39% 很信任科学，觉得收入困难的人只有 20%，前者约为后者两倍。从趋势看，2018 到 2020 年两组“很信任”的比例都上升了 8 个百分点；2020 到 2025 年，宽裕组降了 10 个百分点，困难组降了 16 个百分点。与 2018 年相比，困难组净降 8 个百分点，宽裕组只降 2 个，两组差距由 13 个百分点扩大到 19 个百分点。埃塞俄比亚的分化更明显：2025 年当地宽裕者 46% 很信任科学，勉强维持者 24%，困难者 16%，宽裕与困难两组的差距从 2018 年的 15 个百分点扩大到 30 个百分点。

对医疗系统的信心是另一条线索。全球 76% 的人对本国医院和诊所有“很多”或“一些”信心。全体受访者中 26% 很信任科学，而在对医院和诊所“很有信心”的人中，这一比例为 43%。对国家机构信心较低、对政府信任较低、认为腐败更普遍的人，也更少信任科学。国家层面，基尼系数与科学信任呈中等程度负相关，2025 年 r = −0.34，2018 年和 2020 年分别为 −0.27 和 −0.24，即收入分配越不平等的国家，整体信任往往越低。

2025 年不同人群中“很信任”科学的比例，样本为 140 国全样本，按人口加权；收入宽裕与困难为受访者对家庭收入的自评感受。数据来源：Wellcome Global Monitor 2026。Scholay 据报告数字制作，AI 生成示意图，数值以报告原文为准。

受益感知呈现类似的落差。81% 的人认为科学家的工作惠及“像我这样的人”，但只有约三分之一认为惠及本国“大多数人”，另有五分之一认为只惠及“极少数人”。“大多数人”这一比例在报告第三章写作 36%，在报告摘要中写作 37% 并与 2018 年的 42% 比较，两处差异应来自 140 国全样本与 108 国趋势样本的口径不同；Phys.org 转载的报道采用了 36%。多层模型显示，在控制年龄、性别、教育和主观收入后，信任科学的人认为科学惠及多数人的可能性高 23 个百分点。

证据边界：横截面关联与调查方式变化

这项调查能说明“哪些人的信任程度较低”，却不能说明“什么让人不再信任”。每一轮都是在当年抽取的全国样本中各问一次，属于重复横截面调查，没有追踪同一批人的收入变化与态度变化。报告通篇使用“相关”“有关联”的表述，没有给出因果估计。据 SciDev.Net 报道，Wellcome 公众项目负责人 Philippa Michael 也表示，调查能指出信任在哪里下降，但不能解释原因；Wellcome 计划于 2027 年秋季发布在部分国家开展的定性研究，探讨这些数字背后的经历和看法。

同样的关联可以有几种解释。经济困难的人可能更难享受到医疗等科学成果，信任随之降低，这是报告和受访专家倾向的解读；也可能是对机构普遍不信任的人，对自身处境和科学都给出更负面的评价；还可能存在第三种因素，比如所在地区的医疗可及性或教育水平，同时影响收入感受和科学信任。现有数据无法区分这几种路径。国家层面的基尼系数相关同样只描述国家之间的模式，不能推到个人身上；技术报告还说明，每个国家在三轮中使用的是同一个固定基尼值。

趋势数字还受调查方式变化影响。中国样本 2018 年为面访，2020 年为电话，2025 年改为付费在线样本库的非概率抽样，而前两轮都是随机抽样。由于中国在全球加权中占比很大，报告专门提示：剔除中国后，2018 到 2025 年的全球信任水平更为平稳；但无论是否包括中国，2020 年以来“很信任”科学的比例都在下降。报告还指出，东亚的信任下滑主要由中国数据带动。此外，许多国家 2020 年因疫情从面访改为电话，2025 年又改回面访，访问方式的变化本身就可能影响回答。

测量方式也有边界。“信任科学”是一道四级单题，“科学”的含义因人、因语言而异；收入用的是自评感受。这些设计保证了 140 国数据的可比性，也决定了这份报告更适合描绘大范围模式，而不适合解释具体机制。

与 TISP 68 国研究对照：个人收入方向一致，国家不平等方向相反

可供对照的是 TISP（Trust in Science and Science-Related Populism）多国调查。由 241 名研究者组成的 TISP 联盟以 Viktoria Cologna 为第一作者，于 2025 年 1 月 20 日在《自然·人类行为》（Nature Human Behaviour）发表主要结果（DOI: 10.1038/s41562-024-02090-5）。研究经过预注册，2022 年 11 月至 2023 年 8 月在 68 个国家对 71,922 人进行在线调查，问卷译成 37 种语言，配额样本按年龄、性别和教育加权。它测的是对“科学家”而非“科学”的信任，用 12 道题综合能力、善意、诚信和开放四个维度。结果显示总体信任处于中等偏高水平（5 分制均值 3.62），没有一个国家的整体信任偏低。

两项研究在个人层面方向一致。TISP 发现高收入者对科学家的信任更高，与 Wellcome 中“宽裕者更信任科学”的模式相符。TISP 还询问人们希望科学优先解决什么问题：公众最看重改善公共健康、解决能源问题和减少贫困，其中“减少贫困”在期望与感知之间的落差最大；在这些目标上觉得科学家努力不够的人，信任也更低。这可以与 Wellcome 关于“科学是否惠及多数人”的发现相互参照。

分歧出现在国家层面的不平等。TISP 发现信任与基尼系数呈弱正相关，即越不平等的国家信任反而略高，并在论文中明确指出这与 Wellcome Global Monitor 此前的结论相反。作者给出的初步解释是：这一关系主要由腐败程度较高的国家（以拉丁美洲和撒哈拉以南非洲为主）带动，那里的人可能把科学家看作比政府和精英更可信的对象；但支撑这一解释的交互效应统计功效只有 0.25，作者也只称之为“初步支持”。Wellcome 2026 则再次得到负相关（r = −0.34）。

结论不同，未必意味着其中一方出错。两者的样本来源不同：TISP 用在线配额样本，作者承认在互联网普及率较低的国家会多抽到教育程度较高的人；Wellcome 依托盖洛普的随机抽样全国代表性样本（中国 2025 年除外）。测量对象不同：一个问科学家、用 12 题指数，一个问科学、用单题。国家集合与时间也不同：68 国、2022–2023 年，对比 140 国、2025 年。Wellcome 报告本身也引用了 TISP 数据集，把“社会经济弱势群体信任较低”作为已有研究发现来检验。按目前证据，本文的判断是：个人层面“过得越难、越少高度信任科学”的关联在不同调查中反复出现；国家层面的不平等究竟压低还是抬高信任，取决于样本与测量，仍是开放问题。两项研究都基于横截面数据，都不能单独证明经济困难会导致信任下降。

参考文献

1. Wellcome Trust. (2026-10-10). Wellcome Global Monitor 2026: Trust in science under pressure

2. Wellcome Trust. (2026). Wellcome Global Monitor 2026（报告全文 PDF）

3. Ipsos & Wellcome Trust. (2026). Wellcome Global Monitor 2026 Technical Report

4. SciDev.Net. (2026-10-17). Global survey links financial hardship to lower trust in science（Phys.org 转载）

5. Cologna, V., Mede, N. G., Berger, S., et al. (2025). Trust in scientists and their role in society across 68 countries. Nature Human Behaviour. https://doi.org/10.1038/s41562-024-02090-5

6. Cologna, V., Mede, N. G., Berger, S., et al. (2025). Perceptions of science, science communication, and climate change attitudes in 68 countries: the TISP dataset. Scientific Data, 12, 114. https://doi.org/10.1038/s41597-024-04100-7

7. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

8. 信息同步发表于恩特学术，智能时代的学者社区

2026 年 10 月 15 日，World Weather Attribution（WWA）发布第 93 号快速归因报告，评估人为气候变化对东太平洋飓风 Polo 的影响。研究发现，决定风暴强度上限的海洋与大气条件（潜在强度）因变暖出现概率约增至 23 倍，作用至少与同期厄尔尼诺相当；但气候模型无法重现当地强降雨的观测趋势，研究没有量化气候变化对 Polo 降雨的贡献。

2026 年 9 月 23 日，NASA Aqua 卫星上的 MODIS 拍摄到位于墨西哥阿卡普尔科西南海面的飓风 Polo，此时为 4 级强度。图源：NASA Earth Observatory（Michala Garrison），NASA 图像，公有领域。

飓风 Polo 与 WWA 第 93 号报告

据 WWA 报告整理，Polo 于 9 月 20 日形成热带低压，24 小时内增强为飓风；9 月 22 日被美国国家飓风中心（NHC）升为萨菲尔-辛普森 5 级，前一天它还只是热带风暴。报告称这是东太平洋观测到的增强最快的风暴之一，也是该海域继 2015 年飓风 Patricia 之后有记录以来第二强的飓风。此后 Polo 在 4、5 级之间徘徊数日，9 月 28 日减弱为 2 级后登陆墨西哥南下加利福尼亚州，29 日以 1 级强度在索诺拉州瓜伊马斯以东再次登陆。

截至报告撰写时，南下加利福尼亚州未见死亡报告，哈利斯科州有 4 人死于洪水，索诺拉州 1 人死亡；残余环流在美国西南部和中西部引发山洪，新墨西哥州约 1000 人因担心水坝溃决而撤离。报告把损失相对有限归于提前预警、疏散和多级政府协调，也承认“运气”起了作用：风暴登陆前已减弱，而且主要经过人口稀少的地区。

这份报告由来自墨西哥、美国、英国、爱尔兰和荷兰的研究者完成，第一作者为帝国理工学院的 Ben Clarke，合作机构包括 Climate Central、墨西哥国立自治大学（UNAM）、荷兰皇家气象研究所（KNMI）、红十字与红新月气候中心和普林斯顿大学。研究分三条线展开：登陆区的单日极端降雨、风暴经过海域 9 月平均的“潜在强度”，以及 Climate Central 用 Climate Shift Index 系统估算的海温、沿路径潜在强度和风暴生命期最大强度。WWA 的快速研究在同行评议之前发布；WWA 表示其方法已在专门的方法论文中通过同行评议，约四分之一的研究之后发表在期刊上。这份报告本身目前仍是未经期刊评审的科学报告。

从观测趋势到概率比的归因步骤

归因的第一步是把“这场飓风”改写成可以统计的事件。降雨部分取北纬 24°–32°、西经 114°–108° 范围内陆地的 9–11 月单日最大降水。之所以选 9–11 月，是因为在 ERA5、CPC、CHIRPS 三套数据里，这一季节的历年最大值与附近热带气旋同时出现的比例（66.2%–77.1%）都高于 6–11 月（59.7%–64.6%）。强度部分使用潜在强度（potential intensity, PI）：根据海表温度、海平面气压以及大气温度和湿度的垂直分布，估算飓风理论上能达到的最大风速。研究取西经 120°–100°、北纬 10°–30° 海域的 9 月平均值。

第二步是检验观测中是否存在趋势。研究把每年的极值放进“非平稳”统计分布（降雨用广义极值分布 GEV，潜在强度用正态分布），让分布的位置随全球平均地表温度（GMST）变化，并加入 7–9 月平均的 Niño3.4 指数，把厄尔尼诺的作用单独分离出来。拟合完成后，就能比较两种气候中同等强度的事件多久出现一次：一种是 2026 年的现实气候，另一种是全球平均气温低 1.4°C、没有人为变暖的前工业化气候。

两者之比就是概率比（probability ratio, PR），也常被称为风险比：PR 等于事件在今天的发生概率除以在前工业化气候中的发生概率。以 Polo 的潜在强度为例，在与 2026 年相近的厄尔尼诺状态下，这样的条件如今约 5 年一遇；如果没有人为变暖，约 115 年一遇。115 除以 5，PR 约为 23。另一种等价表述是固定发生频率，比较强度差了多少，例如潜在强度高出约 5 m/s。报告特别指出，PR 会随选定的重现期而变化，强度变化则不受影响。

第三步是与气候模型对比。观测只有一段历史，变暖信号与自然变率混在一起，模型则可以分别模拟有、无人为变暖的世界。模型须先通过评估，看季节循环、空间分布和拟合出的统计参数是否与观测一致。潜在强度分析共检查了 22 个 CMIP6 模型，其中 12 个被评为“差”并剔除，其余 10 个进入归因；降雨分析评估了 CORDEX 北美区域模型、HighResMIP 高分辨率模型以及 FLOR、AM2.5C360 等。

最后一步是综合。观测与模型分别给出 PR 和 95% 置信区间，再以两种方式合并：加权综合让不确定性较小的一方权重更大；不加权综合让观测与模型各占一半，在模型共有偏差可能被低估时更为保守。两条证据一致时结论较稳；两者冲突时，报告需要说明能下什么结论、不能下什么结论。Polo 的降雨部分正属于后一种情况。

潜在强度信号明确，降雨贡献未能量化

潜在强度的信号最清楚。只看观测，PR 约为 89（95% 置信区间 13–2100），潜在强度增加约 5.5 m/s；只看通过评估的模型，PR 约为 7.4（0.79–79），增加约 3.9 m/s。两者方向一致，观测给出的趋势更强。加权综合后，PR 约为 23（2.8–360），潜在强度增加约 5.0 m/s（2.7–7.2）。模型预估，若在当前基础上再升温 1.4°C，这类条件的出现概率还将再增至约 2.9 倍（1.8–4.4），强度再增加约 3.7 m/s。

厄尔尼诺的作用同样显著。与中性状态相比，2026 年 7–9 月的厄尔尼诺使 9 月这样的潜在强度条件出现概率约增至 14 倍（2.8–97），强度增加约 4.2 m/s（1.7–6.6）；换言之，即使在今天的气候里，中性年份出现这种条件也约为 70 年一遇。报告标题称气候变化的作用“至少与厄尔尼诺一样大”，主要发现中写的是“很强，但小于气候变化”。从数字看，两组置信区间大幅重叠，“至少相当”是更稳妥的读法，这是本文的编辑判断。

2026 年 9 月 23 日墨西哥太平洋沿岸的海表温度，飓风 Polo 正经过异常温暖的海域。图源：NASA Earth Observatory（Michala Garrison），数据来自 MUR 海表温度项目，NASA 图像，公有领域。

Climate Central 的分析从另一条路径得到相近结论。Polo 一路经过的海面最高约 31.2°C，比 1991–2020 年同期平均高 1–2°C。按 Climate Shift Index 估算，Polo 达到生命期最大强度之前经过的海温比前工业化世界高约 1.4°C，出现的可能性约为 185 倍（中位估计）；若把全球升温幅度从该系统采用的 1.3°C 调为 WWA 采用的 1.4°C，初步计算的倍数超过 200。该方法固定风切变和路径，只替换海温，再推算“没有人为变暖时”的风暴强度。在假设大气变暖对潜在强度抑制作用最大的保守设定下，Polo 的生命期最大风速至少比没有人为变暖时高 2.7 m/s。

降雨部分则没有得出量化结论。在与 2026 年相近的厄尔尼诺状态下，Polo 在研究区造成的单日降雨如今约两年一遇。观测数据显示，这类降雨的出现概率约增至 5.8 倍（0.23–5700），强度增加约 57%（−29% 至 +330%）；通过评估的模型却认为几乎没有变化，PR 约 0.89（0.49–2.2），只有 EC-Earth 驱动的 HIRHAM 区域模型能重现观测趋势。加权综合的 PR 为 0.93（0.44–3.5），不加权综合为 2.3（0.22–310）。报告的结论是：该地区热带气旋季节的降雨正在变强，且至少部分与变暖有关，但气候变化的贡献无法量化。观测显示厄尔尼诺对这类降雨的影响较小，概率约增 1.1–1.4 倍。

不确定性来源与结论适用范围

读归因结论，先看置信区间是否越过 1。潜在强度的 PR 区间为 2.8–360，跨度很大，但下限仍高于 1，所以“变暖使这类条件更常见”在统计上成立，只是具体倍数不精确，23 只是最佳估计。降雨的两种综合区间都同时包含小于 1 和大于 1 的数值，既不能排除没有变化，也不能排除大幅增加，因此报告选择不给数字。

降雨观测趋势本身也值得怀疑。WWA 指出，强度增加约 57% 远超克劳修斯-克拉珀龙关系的预期，即大气每升温 1°C 约能多容纳 7% 的水汽。报告列出几种可能：变暖带来额外的放大反馈、降雨形势的动力学变化、数据集本身的缺陷，或厄尔尼诺之外的自然变率。研究区还缺少长期运行的气象站记录，而模型难以模拟当地极端降雨是文献中已知的问题。

方法上还有几处假设需要留意。统计模型假设全球变暖与厄尔尼诺的作用相互独立，但报告也承认气候变化可能影响厄尔尼诺本身，研究用去趋势的 Niño3.4 指数来减小二者的相关。Climate Central 的海温倍数是“发生比”而非严格意义上的概率比，所用升温幅度也比 WWA 低 0.1°C。再加上这是赶在事件后几周内完成的快速研究，结论尚未经过期刊评审。

这项研究的结论针对的是一类按区域和季节定义的条件，不是说 Polo“由气候变化造成”。它回答的是：在今天的气候里，像 Polo 这样增强所需的海洋与大气环境更容易出现，风暴强度上限也更高。灾害损失还取决于登陆地点和人群暴露程度。报告以 2023 年在人口稠密的阿卡普尔科登陆、造成约 160 亿美元损失的飓风 Otis 作对照，并提醒防灾准备不能只盯着沿海大风，也要顾及远离登陆点的内陆洪水和泥石流。

参考文献

1. Clarke, B., Keeping, T., Gilford, D., et al. (2026). Effect of climate change at least as large as El Niño in strengthening Hurricane Polo (WWA Scientific Report No. 93). DOI: 10.25560/144926. 报告全文

2. World Weather Attribution. (2026-10-15). Effect of climate change at least as large as El Niño in strengthening Hurricane Polo

3. Philip, S., Kew, S., van Oldenborgh, G. J., et al. (2020). A protocol for probabilistic extreme event attribution analyses. Advances in Statistical Climatology, Meteorology and Oceanography, 6, 177. https://doi.org/10.5194/ascmo-6-177-2020

4. World Weather Attribution. FAQs

5. NASA Earth Observatory. (2026-09-25). Explosive Intensification for Hurricane Polo

6. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

7. 信息同步发表于恩特学术，智能时代的学者社区

亚历山大·弗莱明在伦敦帕丁顿圣玛丽医院的实验室，1943 年。摄影：英国官方摄影师；帝国战争博物馆藏（TR 1468），经 Wikimedia Commons 发布，公有领域。

1929 年 6 月，伦敦圣玛丽医院的亚历山大·弗莱明在《英国实验病理学杂志》发表论文，报告一种青霉菌的肉汤滤液能抑制并溶解葡萄球菌等化脓性球菌，并称之为“青霉素”。论文设想它可作局部抗菌剂，主要用途却写成分离流感杆菌；直到 1940 年，牛津弗洛里、钱恩团队才用小鼠实验证明它能在体内治病。

1928 年 9 月的污染平板

弗莱明当时在圣玛丽医院接种部工作，正在研究葡萄球菌的变异菌落。据美国化学会（ACS）的史料，他于 1928 年 9 月 3 日休假归来，整理堆在实验台上的培养皿时注意到其中一皿：皿中长满葡萄球菌菌落，只有一团霉菌周围是一圈透明区，像是霉菌分泌了某种物质抑制了细菌。

论文开头对这件事的记录要克制得多。它没有日期，也没有休假归来之类的情节，只用被动语态写道：研究葡萄球菌变异株时，一批平板放在实验台上不时检查，检查中不可避免地暴露于空气，被多种微生物污染；“人们注意到，在一个较大的污染霉菌菌落周围，葡萄球菌菌落变得透明，显然正在发生溶解（见图 1）”。接着他转种这株霉菌，发现它在室温肉汤中培养一两周后，对许多常见致病菌具有明显的抑菌、杀菌和溶菌作用。今天流传的现场细节，例如弗莱明盯着平板说“真有意思”，来自同事普赖斯（Merlin Pryce）多年后的回忆。

这块平板能出现，本身也有偶然性。科学哲学家吉利斯（Donald Gillies）综述的史学研究提到，弗莱明的同事黑尔（Ronald Hare）后来尝试复现类似平板，发现并不容易：霉菌和葡萄球菌须在较低温度下生长；他查阅邱园气象记录，发现 1928 年 7 月 28 日之后约有九天异常凉爽，正值弗莱明离开实验室度假。污染菌株本身也少见，较可能的来源是楼下的拉图什（C. J. La Touche）为研究哮喘与霉菌关系而收集的霉菌样本。这些是史家依据回忆与旁证做出的重建，并非论文记载。

1929 年论文的写法：命名、方法与治疗设想

论文题为《论青霉菌培养物的抗菌作用，特别是其在分离流感杆菌中的用途》，1929 年 5 月 10 日收稿，刊于该刊第 10 卷第 3 期第 226–236 页。正文按细菌学报告的顺序展开：先描述霉菌，再检验抗菌物质的来源、测定方法、理化性质、抗菌谱、杀菌速度与毒性，最后讲它在培养基上的用途。

关于霉菌，弗莱明记录它起初是白色绒毛状菌落，几天后产孢，中心转为深绿色，并向培养基扩散亮黄色色素；参考真菌学家拉图什的意见，他判断它“最接近 P. rubrum”，后来的鉴定把它改为较罕见的点青霉（P. notatum）。他还用另外几种霉菌和 8 株青霉做对照，只有一株与原污染菌培养特征完全相同的青霉产生抑菌物质，由此说明这种能力并非所有霉菌共有。

“青霉素”这个名字在论文里是一个工作代号。弗莱明写道，为了方便，也为了避免反复使用“霉菌肉汤滤液”这个累赘说法，下文将用 penicillin 指代“这种特定青霉的肉汤培养滤液”。也就是说，1929 年的“青霉素”是一份粗制滤液，而不是经过提纯、结构明确的化合物。

检测方法很朴素：在琼脂平板上挖一条沟，填入琼脂与霉菌肉汤的混合物，再从沟边垂直划线接种各种细菌，看抑菌带延伸多远；需要定量时，就把滤液在肉汤中倍比稀释，以葡萄球菌是否长浑来判读。结果显示，质量好的样品稀释到 1:500 至 1:800 仍能完全抑制葡萄球菌；化脓性球菌和白喉杆菌最敏感，大肠—伤寒菌群、流感杆菌和肠球菌则基本不受影响。滤液在室温下放置 10 至 14 天会失去大部分活性，高压灭菌后基本被破坏，可溶于乙醇而不溶于乙醚和氯仿。

关于治疗，论文写得谨慎而分散。毒性试验显示，兔静脉注射 20 毫升滤液并不比同量肉汤毒性更大，约 20 克的小鼠腹腔注射 0.5 毫升无中毒症状，用于人体大面积感染创面冲洗和结膜冲洗也未见刺激；它对白细胞功能的干扰不超过普通肉汤。总结第 8 条据此提出，它“可能是一种有效的防腐剂”，可涂敷或注射到被敏感细菌感染的部位；讨论部分也说相关治疗实验“正在进行”。但论文里的动物实验只检验毒性，没有先让动物感染、再给药观察能否救活的保护实验。题目和篇幅更多给了另一种用途：在培养基半边滴加青霉素压制杂菌，从痰液和鼻咽拭子中分离出不敏感的流感杆菌。弗莱明与同事麦克莱恩（McLean）用这一方法检查了 25 名因“流感”住院的护士的咽拭子。

停在体外数据的十年

论文本身已经写下了令人犹豫的数据：它把青霉素归入“慢效防腐剂”，即使浓度达到完全抑菌所需的三四十倍，也要四个半小时以上才能杀尽葡萄球菌。史家依据实验记录补充了两项论文未写入的结果：1929 年 3 月 22 日，助手克拉多克（Stuart Craddock）给兔静脉注射 20 毫升青霉素，30 分钟后血样中的活性几乎消失；他还发现青霉素与血清混合后活性损失约四分之三。一种需要几个小时起效、却在半小时内从血液中消失的物质，在当时看来很难用作全身治疗。吉利斯认为，这些反面迹象对弗莱明的影响可能大于提纯困难；不过弗莱明没有留下说明研究转向的日记，这类解释属于推断。

提纯是另一道坎。ACS 史料记载，弗莱明让助手克拉多克和里德利（Frederick Ridley）尝试从滤液中分离纯青霉素，但这种物质很不稳定，他们只能得到粗制溶液；伦敦卫生与热带医学院的生物化学教授雷斯特里克（Harold Raistrick）随后也尝试提纯，同样失败。吉利斯的综述补充说，雷斯特里克能在酸性条件下把青霉素提进乙醚，却无法再把它取回来。

青霉素没有就此被遗忘，靠的恰恰是论文标题里的那个用途。圣玛丽医院接种部依靠生产疫苗维持运转，青霉素能帮助分离制备疫苗所需的流感杆菌，弗莱明因此一直培养这株霉菌，菌种也被分送到李斯特研究所、谢菲尔德大学医学院和牛津大学的病理学院。ACS 同样指出，分离用途对细菌学家有现实价值，让人们对青霉素的兴趣延续了下来。

1935 年弗莱明赠予圣玛丽医院同事道格拉斯·麦克劳德（Douglas Macleod）的青霉菌样本。图源：Science Museum London / Science and Society Picture Library，经 Wikimedia Commons 发布，CC BY-SA 4.0。

外部条件在 1935 年出现变化。德国法本公司（I.G. Farben）的多马克（Gerhard Domagk）团队报告，磺胺类药物百浪多息能治愈感染溶血性链球菌的小鼠，而这种药在培养皿里并不抑菌。吉利斯据此指出，这个例子说明只凭体外结果无法判断一种物质在体内是否有效，青霉素体外数据中的不利迹象也未必决定其体内表现。

牛津团队补上的提纯与动物保护实验

重新拾起这个问题的是牛津大学威廉·邓恩爵士病理学院。生物化学家钱恩在调查天然抗菌物质时读到弗莱明 1929 年的论文，起初以为青霉素可能是一种类似溶菌酶的酶。1939 年 9 月 6 日，英国对德宣战三天后，弗洛里向英国医学研究理事会提交经费申请，计划把青霉素制成可静脉注射的纯化形式，研究它在体内的抗菌作用；洛克菲勒基金会随后也提供了资助。

1944 年，霍华德·弗洛里在牛津大学威廉·邓恩爵士病理学院的办公桌前记笔记。摄影：英国新闻部摄影处；帝国战争博物馆藏（D 17803），经 Wikimedia Commons 发布，公有领域。

提纯先取得突破。1940 年 3 月，希特利（Norman Heatley）发现，在酸性条件下提进乙醚的青霉素可以再用碱性水溶液“反萃取”回来，正好解决了雷斯特里克卡住的那一步。部分纯化的样品注射到大鼠、小鼠、兔和猫身上，均未见毒性。1940 年 5 月 25 日，团队做了第一次小鼠保护实验：8 只小鼠腹腔注射链球菌，4 只不给药作对照，16 小时内全部死亡；给药的 4 只分别存活 4 天、6 天、13 天和 6 周以上。1940 年 8 月 24 日，相关结果以《青霉素作为化学治疗剂》为题发表在《柳叶刀》上。

人体试验需要的药量远多于小鼠。ACS 史料记载，团队每周需要处理多达 500 升霉菌滤液，只能用浴缸、便盆、牛奶桶等器皿培养霉菌，并雇用女工照料发酵，实验室几乎变成了工厂；亚伯拉罕（Edward Abraham）又用氧化铝柱层析去除杂质。1941 年 2 月 12 日，一名 43 岁的警察成为首位接受牛津青霉素治疗的患者，病情一度明显好转，但药物用尽后复发，于同年 3 月去世。1941 年 8 月 16 日，团队在《柳叶刀》发表《青霉素的进一步观察》，报告 5 名静脉给药患者、1 名口服用药婴儿和 4 例眼部局部用药的结果，并证明血液、脓液和组织成分不能阻止青霉素起效，这与克拉多克当年血清实验得出的印象正好相反。

回头看，1929 年论文与临床之间隔着三件弗莱明实验室当时没有完成的事：稳定提纯、先感染后给药的动物保护实验，以及足够人体使用的产量。前两件由牛津团队在 1940 年前后完成，第三件则在战时转到美国，由农业部北方地区研究实验室和多家药企扩大发酵生产。1945 年，诺贝尔生理学或医学奖由弗莱明、钱恩和弗洛里共享，授奖理由是“发现青霉素及其对多种传染病的疗效”。弗莱明的论文没有走完从现象到药物的路，但它保存了菌株、检测方法和边界清楚的体外数据，牛津团队正是从这里接手。

参考文献

1. Fleming A. On the antibacterial action of cultures of a penicillium, with special reference to their use in the isolation of B. influenzae. British Journal of Experimental Pathology, 1929, 10(3): 226–236. PMC2048009

2. Fleming A. 同文重印. Bulletin of the World Health Organization, 2001, 79(8): 780–790. PMC2566493

3. Chain E, Florey HW, Gardner AD, et al. Penicillin as a chemotherapeutic agent. The Lancet, 1940, 236(6104): 226–228. doi:10.1016/S0140-6736(01)08728-1

4. Abraham EP, Chain E, Fletcher CM, et al. Further observations on penicillin. The Lancet, 1941, 238(6155): 177–189. doi:10.1016/S0140-6736(00)72122-2

5. American Chemical Society. Discovery and Development of Penicillin. International Historic Chemical Landmark, 1999. acs.org

6. Gillies D. Kuhn on Discovery and the Case of Penicillin. UCL Discovery. discovery.ucl.ac.uk

7. NobelPrize.org. The Nobel Prize in Physiology or Medicine 1945. nobelprize.org

8. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

9. 信息同步发表于恩特学术，智能时代的学者社区

AI 生成示意图：从左至右分别象征光遗传学、南极冰层中的中微子探测与手性分子，不代表真实实验装置或分子结构。

2026 年诺贝尔科学奖于 10 月 5 日至 7 日相继揭晓：生理学或医学奖表彰光门控离子通道与光遗传学，物理学奖表彰 IceCube 与天体物理高能中微子的发现，化学奖表彰不对称有机合成中的非线性效应与自催化。本期依据诺贝尔奖官网新闻稿和科普材料，为每个奖项选出一两篇奠基论文，说明它们当时做了什么、证据走到了哪一步。

生理学或医学奖：从衣藻光感蛋白到神经元光控开关

10 月 5 日，卡罗林斯卡学院诺贝尔大会宣布，将 2026 年生理学或医学奖授予 Karl Deisseroth（霍华德·休斯医学研究所与斯坦福大学）、Peter Hegemann（柏林洪堡大学）和 Georg Nagel（维尔茨堡大学），表彰他们在光门控离子通道与光遗传学方面的发现。新闻稿注明，Hegemann 与 Nagel 的获奖发现分别完成于马普生物化学研究所和马普生物物理研究所。起点是单细胞绿藻衣藻：据官方科普材料，Hegemann 在 1990 年代初测得衣藻眼点受光后约半毫秒就出现电信号，比人眼的光转导快得多，于是推测藻类体内有一种自己就能感光、又能充当离子通道的蛋白。

第一篇值得读的是 Nagel、Hegemann、Bamberg 等人 2003 年 11 月 13 日在线发表于 PNAS 的《Channelrhodopsin-2, a directly light-gated cation-selective membrane channel》。此前一年（2002 年 6 月 28 日），同一批研究者已在 Science 报告通道视紫红质-1（ChR1）：把衣藻基因表达在非洲爪蟾卵母细胞中，加入全反式视黄醛后出现光门控、选择性通透质子的电导。2003 年的论文转向 ChR2，在爪蟾卵母细胞和哺乳动物细胞中证明它是被光直接开启的阳离子通道：吸收光子后迅速打开，一价和二价阳离子都能通过；持续光照下会脱敏，降到较小的稳态电导。官方科普材料补充，这个通道在 0.2 毫秒内即可打开。论文摘要的最后一句提出，只需照光，就能用 ChR2 让大大小小的细胞去极化。这一步回答了“光能否直接打开通道”，但实验对象仍是卵母细胞和培养的肾源细胞，还没有进入神经元。

第二篇是 Boyden、Zhang、Bamberg、Nagel、Deisseroth 2005 年 8 月 14 日在线发表于 Nature Neuroscience 的《Millisecond-timescale, genetically targeted optical control of neural activity》。按官方科普材料，Deisseroth 团队向 Nagel 索取 ChR2 的 DNA，把它导入培养皿中的大鼠神经元；蓝光一照，神经元立即产生神经信号，并能传给其他神经元。论文标题里的两个限定词就是它的贡献：时间精度达到毫秒级，受控对象由基因表达来选定。局限同样明确：这仍是离体培养的细胞。官方列出的后续关键论文显示，直到 2007 年，该团队才借助植入脑内的细光纤，在活体小鼠运动皮层中用光控制胡须运动。官方材料还提到，临床试验正尝试为视网膜色素变性致盲者恢复部分视力，目前仍处于早期阶段。

莱茵衣藻（Chlamydomonas reinhardtii）的扫描电镜照片。图：Dartmouth Electron Microscope Facility, Dartmouth College；来源：Wikimedia Commons；许可：公有领域。

物理学奖：南极冰层中的高能中微子

10 月 6 日，瑞典皇家科学院宣布将 2026 年物理学奖单独授予威斯康星大学麦迪逊分校的 Francis Halzen，表彰他对 IceCube 中微子观测站的决定性贡献，以及发现天体物理来源的高能中微子。据官方科普材料，Halzen 与 John G. Learned 于 1988 年在波兰的一次会议上首次提出在南极冰层中探测中微子的方案：中微子偶尔撞上原子核，产生的带电粒子在透明冰中发出蓝光，光传感器据此追踪它的方向。1992 年，团队首次尝试把传感器放入南极冰川，先建成前身 AMANDA（建设持续到 2000 年 1 月）；IceCube 在 2011 年达到满规模，86 根缆线挂载 5160 个光传感器，位于冰下 1450 至 2450 米，覆盖约 1 立方千米冰体。

奠基证据分两步发表。2013 年 7 月，IceCube 合作组在 Physical Review Letters 发表《First Observation of PeV-Energy Neutrinos with IceCube》：在相当于 615.9 天有效观测时间的数据中，找到两个沉积能量分别约 1.04 PeV 和 1.14 PeV 的事件，是当时观测到的最高能中微子。大气本底的期望数仅约 0.082 个，但两个事件的统计显著性只有 2.8σ，作者的措辞是“可能是天体物理中微子通量的首个迹象”。

同年 11 月 22 日，合作组在 Science 发表《Evidence for High-Energy Extraterrestrial Neutrinos at the IceCube Detector》。这次分析使用 2010 年 5 月至 2012 年 5 月的数据，只保留在探测器内部发生相互作用的事件，把灵敏范围向下扩展到约 30 TeV，又找到 26 个事件。连同此前两个 PeV 事件，这 28 个事件的味、方向和能量都与大气本底的预期不符，纯大气来源的假设在 4σ 水平上被拒绝，结果与地外来源的一般预测相容。论文用的是“证据”而非“发现”；官方科普也说，几年后数据积累足够，研究者才确认这一发现。至于具体源头，官方材料提到活动星系 NGC 1068 方向有 79 个中微子，但同时说明证据还不足以确定它就是中微子源。

南极点的 IceCube 实验室（ICL），摄于天文暮光与航海暮光交替时分。摄影：John Hardin；来源：Wikimedia Commons；许可：CC BY 4.0。

化学奖：非线性效应与不对称自催化

10 月 7 日，瑞典皇家科学院宣布将 2026 年化学奖授予（时称）巴黎南大学的 Henri B. Kagan 与东京理科大学的 Kenso Soai，表彰他们发现不对称有机合成中的非线性效应与自催化。官方科普用 1953 年 Charles Frank 的理论模型串起两人的工作：一个反应要自发走向单一手性（同手性），需要满足三个条件——由手性催化剂驱动的不对称反应；增强一种镜像、抑制另一种的机制；产物能催化生成自身的自催化。第一个条件早已有人实现，后两个分别由 Kagan 和 Soai 补上。

Kagan 的奠基论文是 1986 年 4 月发表于 Journal of the American Chemical Society 的《Nonlinear effects in asymmetric synthesis. Examples in asymmetric oxidations and aldolization reactions》（Puchot、Samuel、Duñach、Zhao、Agami、Kagan）。当时通行的假设是：催化剂中手性配体的对映体过量（ee）与产物的 ee 成正比。Kagan 推想金属中心会同时结合至少两个手性配体，左右手配体混用时就会形成“右-右”“左-左”“左-右”三种催化剂。他用不同比例的配体对映体做实验，发现产物 ee 与催化剂 ee 并不成直线，产物 ee 可以高于催化剂 ee；官方科普的解释是，“左-右”型催化剂的反应要慢得多。论文在不对称氧化和羟醛化反应中给出了三个例子。这种效应放大的是已有的手性差异，反应仍需外加手性催化剂。

Soai 的关键论文是 1995 年 12 月发表于 Nature 的《Asymmetric autocatalysis and amplification of enantiomeric excess of a chiral molecule》（Soai、Shibata、Morioka、Choji）。据官方科普，他注意到一个非线性效应很强的反应中，催化剂与产物结构相似，于是反复筛选，找到能催化生成自身的手性分子 5-嘧啶基烷醇：反应从一种对映体约 2% 的过量出发，最终得到 87% 的过量。这是首个不对称自催化反应，但离生命分子那样的单一手性还有距离。官方材料称，Soai 在 2003 年进一步展示，不加任何手性物质时，随机产生的微小过量也能被放大到占产物的 99.99%，重复实验时胜出的镜像随机变化。官方同时提醒，Soai 反应是人工体系，与生命化学不同；研究者正尝试用氨基酸和糖重现类似结果。

参考文献

1. The Nobel Assembly at Karolinska Institutet. Press release: The Nobel Prize in Physiology or Medicine 2026. 2026-10-05. https://www.nobelprize.org/prizes/medicine/2026/press-release/

2. The Nobel Assembly at Karolinska Institutet. Popular information: A light-sensitive algal protein energised neuroscience. 随 2026 年奖项公布发布，页面未单独标注日期. https://www.nobelprize.org/prizes/medicine/2026/popular-information/

3. Nagel G, Ollig D, Fuhrmann M, et al. Channelrhodopsin-1: A Light-Gated Proton Channel in Green Algae. Science, 2002, 296(5577): 2395–2398. 出版日期 2002-06-28. https://doi.org/10.1126/science.1072068

4. Nagel G, Szellas T, Huhn W, et al. Channelrhodopsin-2, a directly light-gated cation-selective membrane channel. PNAS, 2003, 100(24): 13940–13945. 在线发表 2003-11-13. https://doi.org/10.1073/pnas.1936192100

5. Boyden ES, Zhang F, Bamberg E, Nagel G, Deisseroth K. Millisecond-timescale, genetically targeted optical control of neural activity. Nature Neuroscience, 2005, 8(9): 1263–1268. 在线发表 2005-08-14. https://doi.org/10.1038/nn1525

6. The Royal Swedish Academy of Sciences. Press release: The Nobel Prize in Physics 2026. 2026-10-06. https://www.nobelprize.org/prizes/physics/2026/press-release/

7. The Royal Swedish Academy of Sciences. Popular information: Ice at the South Pole reveals cosmic particle accelerators. 随 2026 年奖项公布发布，页面未单独标注日期. https://www.nobelprize.org/prizes/physics/2026/popular-information/

8. IceCube Collaboration (Aartsen MG, et al.). First Observation of PeV-Energy Neutrinos with IceCube. Physical Review Letters, 2013, 111(2): 021103. 2013 年 7 月发表. https://doi.org/10.1103/PhysRevLett.111.021103

9. IceCube Collaboration. Evidence for High-Energy Extraterrestrial Neutrinos at the IceCube Detector. Science, 2013, 342(6161): 1242856. 出版日期 2013-11-22. https://doi.org/10.1126/science.1242856

10. The Royal Swedish Academy of Sciences. Press release: The Nobel Prize in Chemistry 2026. 2026-10-07. https://www.nobelprize.org/prizes/chemistry/2026/press-release/

11. The Royal Swedish Academy of Sciences. Popular information: They solved chemistry’s asymmetric mystery. 随 2026 年奖项公布发布，页面未单独标注日期. https://www.nobelprize.org/prizes/chemistry/2026/popular-information/

12. Puchot C, Samuel O, Duñach E, Zhao S, Agami C, Kagan HB. Nonlinear effects in asymmetric synthesis. Examples in asymmetric oxidations and aldolization reactions. Journal of the American Chemical Society, 1986, 108(9): 2353–2357. 1986 年 4 月出版. https://doi.org/10.1021/ja00269a036

13. Soai K, Shibata T, Morioka H, Choji K. Asymmetric autocatalysis and amplification of enantiomeric excess of a chiral molecule. Nature, 1995, 378(6559): 767–768. 1995 年 12 月出版. https://doi.org/10.1038/378767a0

14. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

15. 信息同步发表于恩特学术，智能时代的学者社区

一页正在接受逐字修订的打印稿。图：Phoebe，来源：Wikimedia Commons，许可：CC BY-SA 3.0。

2026 年 10 月初，两家医学出版方先后收紧 AI 规则：国际性医学会（ISSM）10 月 2 日为旗下三本期刊发布作者与审稿人 AI 政策，《英国全科医学杂志》（BJGP）10 月 5 日宣布即刻要求作者亲自撰写正文，并检测投稿和审稿意见中的 AI 文本。对照 JAMA Network 8 月更新的作者指南，三者底线一致：AI 使用须披露、由人负责，待审稿件不能交给公开 AI 工具。

Artificial intelligence and the BJGP: immediate policy changes

2026 年 10 月 5 日，BJGP 主编 Euan Lawson 在刊物网站 BJGP Life 发表社论，宣布一组“立即生效”的 AI 政策调整，已经在处理流程中的稿件同样适用。起因是近几个月社论、读者来信、分析和观点等短文投稿明显增多，且常为单一作者，编辑部判断其中不少文本几乎完全由大语言模型生成。新增的核心要求只有一句：希望在 BJGP 发表的作者，应当自己撰写正文（write their own prose）。这条要求同样覆盖研究论文，摘要、引言和讨论等主体部分须由人撰写，社论注明补充材料不一定适用。

对作者来说，披露仍是基础。AI 可以继续当作工具使用，但必须声明，编辑部将提供分级选项，让声明写得更具体。BJGP 即日起把 AI 文本检测纳入 BJGP.org 和 BJGP Life 的编辑决策，初期使用第三方商业服务，并称该服务承诺不拿稿件训练模型、符合欧盟 GDPR；检测结果与编辑判断一起使用，不单独定案。另一项新增检查针对参考文献：每篇录用论文以“作者接受稿”（AAM）上线前，都要用 AI 筛查是否存在捏造或“幻觉”引文。BJGP 自查了 2025 年 1 月以来本刊发表的文章，没有发现这类引文。

对审稿人的规定变化更大。社论承认，BJGP 原先“审稿人不应使用 AI”的规定实际上无法执行，而且被普遍忽视。新做法是：审稿人须完整披露 AI 使用，这份声明会提供给作者；审稿意见要亲自撰写，不使用生成式 AI；引发疑虑的审稿意见将接受 AI 文本筛查，编辑保留退回乃至作废的权利。用 AI 核对参考文献等辅助用途仍被允许，前提是不泄露稿件。BJGP 网站现行政策页也写明，审稿人不得把稿件的任何部分上传到生成式 AI 工具，审稿报告同样属于保密材料。

这项政策有几处尚未落定。社论引用的检测误报率（Pangram 称英文文本约 0.0041%，学术写作约 0.02%）来自厂商自己的数据，独立评估规模仍小。BJGP 表示 BJGP.org 和投稿系统 ScholarOne 上的政策文本将在“未来几周”更新，具体执行以届时页面为准。Lawson 还在文章评论区补充：AI 翻译稿常被判定为高比例 AI 生成，现行做法可能对母语非英语的作者更不利，翻译的界线目前还没有答案，政策会持续评估。

ISSM Introduces New AI Policy for Authors and Peer Reviewers

国际性医学会（ISSM）于 2026 年 10 月 2 日发布新闻，宣布为《性医学杂志》（The Journal of Sexual Medicine）、Sexual Medicine Reviews 和 Sexual Medicine Open Access 三刊推出《作者与审稿人 AI 政策》。政策围绕作者身份、问责和披露三项原则：AI 不能署名为作者；人类作者对作品的准确性、原创性和完整性负全部责任；实质性的 AI 使用必须公开说明。同一时期，三刊主编 Annamaria Giraldi、Landon Trost 和 Giovanni Corona 在 10 月 1 日上线的《性医学杂志》社论中，讨论了 AI 在研究、写作和审稿中的机会与风险。

与 BJGP 相比，ISSM 对写作环节宽松得多。官方新闻稿列出，AI 可以协助起草文本、完善图表、查找文献和梳理结构；条件是作者保持对内容的主导，独立核对 AI 参与生成的内容和参考文献，并且绝不能用 AI 捏造或篡改数据与研究结论。ISSM 发布的一页摘要要求作者在稿件规定的声明部分写明所用工具及用途。

审稿环节的规定更细。审稿人不得把稿件、摘要、审稿意见或其他保密材料上传到公开 AI 工具；只有能保证数据隔离的安全工具才可使用，政策全文举的例子是高校认可、由企业级合同保证数据隔离的“封闭”实例。使用这类工具时，审稿人须在评审表中写明工具名称和具体用途。政策全文同时表示不鼓励用生成式 AI 完成审稿，一页摘要也强调 AI 不能替代审稿人独立的学术判断。新闻稿没有提到 AI 文本检测或违规后的具体处置。

Updated Guidance for Author Use of AI in Medical Publication

选题线索把 JAMA Network 的更新列为近期消息，但核对原文后，它并非 10 月发布：社论《Updated Guidance for Author Use of AI in Medical Publication》于 2026 年 8 月 10 日在线发表（doi:10.1001/jama.2026.16613），作者为 Annette Flanagin、Roy H. Perlis 和 Kirsten Bibbins-Domingo，内容已写入 JAMA 及 JAMA Network 各刊的作者须知。本文把它作为 10 月两项新规的参照。

这份指南用一张表逐项列出允许和禁止的用途。用于研究、文献检索、稿件准备、翻译和数据可视化均可，但要分别在方法、致谢或图注中完整说明，作者核对准确性并负全部责任；语法和拼写检查无需披露。禁止的包括：用 AI 起草观点文章、读者来信和在线评论，用 AI 回复审稿人和编辑意见，以及提交由 AI 生成或修改的临床图像、插图和临床音视频（作为正式研究设计并完整披露的除外）。参考文献一项标为“不建议”：编辑部收到过多篇引文不准确甚至不存在的稿件，因此建议不用 AI 生成或格式化引文，改用常规文献管理软件。凡用 AI 协助创作、修改或排版，致谢中须写明工具名称、版本、厂商、使用日期、用途及涉及部分，并确认作者对内容负责；披露不全或未披露，稿件可能被拒，或在发表后被更正处理。

线索中“禁止审稿使用 AI”的说法需要说得更准确。指南表格中“同行评审”一项标为不可，理由是把作者稿件或审稿人对稿件的总结输入外部 AI 工具即违反保密。JAMA Network 现行审稿人指南写得更具体：不得把稿件、摘要或审稿意见的任何部分输入聊天机器人或语言模型；若以不违反保密的方式把 AI 当作参考资源，须说明工具名称和用法，并对审稿内容负全部责任。也就是说，JAMA 禁止的是把保密材料交给 AI，而非任何形式的使用。JAMA 编辑 6 月 17 日的一封回复提到，JAMA Network 期刊投稿中作者主动披露 AI 使用的比例虽在上升，最高也只有约 6%，审稿人的披露率更低。

作者与审稿人的共同底线和分歧

AI 生成示意图：BJGP、ISSM 与 JAMA Network 的 AI 规则对照。内容由编者据 BJGP（2026-10-05）、ISSM（2026-10-02）、JAMA（2026-08-10）官方原文整理。

对作者而言，三家的共同点是披露加问责，分歧在于 AI 可以参与写作到什么程度。ISSM 允许 AI 协助起草，JAMA 允许辅助稿件准备但不许用于观点和通信类文章，BJGP 则要求正文由作者亲自写。同一份交给 AI 大段改写过的稿子，投 ISSM 期刊时如实声明即可，投 BJGP 却可能在检测环节被标记。因此投稿前应当查看目标期刊的现行页面，并从写作开始就记下所用工具、版本、日期和用途，JAMA 致谢要求的六项可以当作现成清单。参考文献是三家共同盯住的地方：JAMA 不建议用 AI 生成引文，BJGP 在录用后用 AI 筛查，ISSM 要求作者逐条独立核对。

对审稿人而言，保密是共同底线：稿件和审稿意见都不应进入公开或外部 AI 工具。差别在其余用途。JAMA 允许在不触及保密的前提下把 AI 当参考资源，但须披露；ISSM 只认可能保证数据隔离的机构安全工具；BJGP 要求意见亲自撰写，并会对可疑意见做 AI 检测。PNAS 和剑桥大学出版社的现行审稿规则同样禁止把待审材料交给生成式或公开 AI 工具，剑桥还把违反保密列为审稿不端；不过这两处页面没有标注更新日期，无法确认属于近期修订，本文不把它们算作本月新闻。

需要注意的是，以上都是单个出版方的编辑政策，执行效果还没有独立评估。BJGP 的检测依赖商业工具，准确性数据主要来自厂商；它的政策页面和投稿系统尚待更新。ISSM 的新闻稿和摘要没有说明违规如何处置。三家都表示会随 AI 发展继续修订，作者和审稿人以投稿或受邀时的官方页面为准。

参考文献

1. Lawson E. Artificial intelligence and the BJGP: immediate policy changes. BJGP Life, 2026-10-05. https://bjgplife.com/ai-new-policy/

2. British Journal of General Practice. BJGP editorial process & policies. 页面未标注日期，访问于 2026-10-18. https://bjgp.org/authors/bjgp-editorial-process-and-policies

3. International Society for Sexual Medicine. ISSM Introduces New AI Policy for Authors and Peer Reviewers. 2026-10-02. https://www.issm.info/news/issm-introduces-new-ai-policy-for-authors-and-peer-reviewers

4. International Society for Sexual Medicine. Artificial Intelligence (AI) Policy for Authors and Peer Reviewers for ISSM Journals (PDF). 访问于 2026-10-18. https://www.issm.info/media/attachments/2026/07/15/issm-journals---artificial-intelligence-ai-policy-for-authors-and-peer-reviewers.pdf

5. International Society for Sexual Medicine. ISSM Journals AI Policy: Do’s and Don’ts (PDF). 访问于 2026-10-18. https://www.issm.info/media/attachments/2026/10/01/issm_ai_policy_dos_and_donts_one_page.pdf

6. Giraldi A, Trost L, Corona G. The evolving landscape of AI in publishing. The Journal of Sexual Medicine, 2026, 23(10): qdag222. 2026-10-01. https://doi.org/10.1093/jsxmed/qdag222

7. Flanagin A, Perlis RH, Bibbins-Domingo K. Updated Guidance for Author Use of AI in Medical Publication. JAMA, 2026-08-10. doi:10.1001/jama.2026.16613. https://jamanetwork.com/journals/jama/fullarticle/2852772

8. JAMA Network. Guidance and Benefits for JAMA Network Journal Peer Reviewers. 页面未标注日期，访问于 2026-10-18. https://jamanetwork.com/pages/guidance-and-benefits-for-peer-reviewers

9. Perlis RH, Flanagin A, Kendall-Taylor J. Author AI Disclosure in JAMA Network Journal Submissions—Reply. JAMA, 2026-06-17. https://jamanetwork.com/journals/jama/article-abstract/2850539

10. PNAS. PNAS Reviewer Guidelines. 页面未标注日期，访问于 2026-10-18. https://www.pnas.org/reviewer

11. Cambridge University Press. Publishing ethics: core editorial policies (journals). 页面未标注日期，访问于 2026-10-18. https://www.cambridge.org/core/services/publishing-ethics/core-editorial-policies-journals

12. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

13. 信息同步发表于恩特学术，智能时代的学者社区

2011 年开放获取周期间，明尼苏达大学沃尔特图书馆借还台电脑上的宣传海报，提醒学生毕业后将无法再使用图书馆订阅的资源（拍摄于 2011 年 10 月 24 日，非 2026 年活动现场）。摄影：Nancy Sims（Flickr 用户 PugnoM）；来源：Flickr；许可：CC BY 2.0。

2026 年国际开放获取周于 10 月 19 日至 25 日举行，主题为“知识的成本”（The Cost of Knowledge），追问获取和分享知识的代价为何持续上涨、谁从中获益。本期梳理官方主题说明，并选取南加州大学、维多利亚大学和詹姆斯·麦迪逊大学图书馆 10 月发布的三份公告，看图书馆如何把发表费用、教材开支和作者版权落到具体服务上。

Theme for Open Access Week 2026 is “The Cost of Knowledge”

开放获取周官网于 2026 年 5 月 4 日发布本届主题公告（作者 April Clyburne-Sherin），宣布 10 月 19 日至 25 日的国际开放获取周以“The Cost of Knowledge”为题。公告的出发点是：获取和分享知识是一项人权，但相关成本仍在上涨，而且常常涨得很快。它接着提出两个问题：为什么？谁受益？

公告把“成本”分为财务、人力和环境三类，重点关注由私人利益而非公共利益推高的那部分。它明确说，这些成本远不止期刊订阅价格和文章处理费（APC）的快速上涨，还包括：作者、审稿人和编辑无偿投入的时间与劳动；世界上大量人口无法平等参与知识的生产与分享；原住民数据主权（Indigenous Data Sovereignty）得不到承认；研究者的作品在未经同意、也没有补偿的情况下被授权用于专有 AI 训练；知识分享平台监控用户；以及数据中心与民众争用电力和水。

“知识的成本”的三类构成及公告另外点名的两项问题。AI 生成示意图，内容依据开放获取周官网 2026 年 5 月 4 日发布的主题公告整理，不含价格或支出数据。

这一主题承接 2025 年的“Who owns our knowledge?”（谁拥有我们的知识？）。按官方的说法，去年讨论的是知识被商业占有的现实，今年要清算这一现实的代价，并寻找让这些系统重新服务公共利益的途径。公告举出的方向包括原住民数据治理模式，以及免费、非商业、社区驱动的出版可持续模式，并提到联合国教科文组织《开放科学建议书》已获 193 个国家通过。

这份公告是倡议文本，提出的是问题和立场，没有给出价格或支出数据。它鼓励各地按本地情况改编主题，也可以在一年中任何合适的时间组织活动，并提供可定制的宣传图模板；官方话题标签为 #OAWeek。下面三所图书馆的公告可以看作这种本地化的样本：它们的落点集中在发表费用、教材开支、版权和研究工具上，而主题说明中提到的 AI 训练授权、平台监控和数据中心资源消耗，在这三份公告里基本没有展开。

Open Access Week Programs Explore "the Cost of Knowledge"

南加州大学（USC）图书馆于 2026 年 10 月 7 日发布消息（作者 Bill Dotson）：馆员 Kevin Klipfel 和 Jade Winn 将在开放获取周期间各开设一场线上工作坊，均免费，通过 Zoom 进行。

10 月 20 日 13:00–14:00，Klipfel 主讲“Anarchizing Information: Thinking Critically about Open-Access Resources for Education”，概述阻碍知识获取的成本壁垒，讨论让信息获取更加民主的思路与策略。他在活动介绍中把“anarchizing information”称为图书馆学的一项核心历史价值：图书馆通过推动民主地获取信息、开展信息素养教育，帮助个人自己判断该相信什么、看重什么。

10 月 21 日 13:00–14:00，Winn 主讲“Open Access Publishing: Navigating the Costs of Disseminating Your Research at USC”，面向本校教师、研究生和研究人员，介绍在 USC 发表开放获取期刊论文的情况，以及 USC 图书馆与学术出版商签订、用于扩大本校成果获取范围的转换协议（transformative agreements）。

两场活动正好对应主题的两端：一端是读者获取知识的成本，另一端是作者传播成果的成本。不过这则消息只介绍了活动内容和时间，没有说明 USC 的转换协议涉及哪些出版商、费用多少，读者无法据此判断这类协议实际节省或转移了多少开支。

The Cost of Knowledge: Celebrating Open Access Week 2026

加拿大维多利亚大学（UVic）图书馆于 2026 年 10 月 8 日发布公告，开头一句点题：从教科书到开放获取发表费，知识的成本在持续上涨。图书馆用一组工作坊和活动提高人们对科研与高等教育相关成本的认识，同时在校园设置信息展板、在 Instagram 发布内容，并重申馆方承诺：让尽可能广泛的群体无障碍地获取学术内容。

公告列出的活动包括：10 月 16 日线下讲座“Choosing and using open-source software”，教研究者从许可、社区支持、文档和长期维护等方面评估开源工具，并与专有软件比较；10 月 21 日线上数据技能工作坊，讲解为什么以及如何在 OSF Registries 上预注册研究；同日上午面向研究生的 ORCID 快闪工作坊，现场注册并完善研究者标识；10 月 22 日线上的“Data horror stories”，用政府数据消失、匿名数据反过来困扰研究者等案例讲数据管理风险；10 月 30 日则为不再使用的旧笔记本电脑安装 Linux。

与 USC 聚焦期刊发表不同，UVic 把“成本”延伸到了研究工具和数据：选什么软件、研究者标识是否跟着人走、数据能否长期保存，都关系到研究者对自己工作的控制。需要注意，活动从 10 月 16 日持续到 30 日，部分场次不在官方开放获取周之内；公告也没有提供任何费用或使用数据。

The Cost of Knowledge: Open Access Week 2026 at JMU

美国詹姆斯·麦迪逊大学（JMU）图书馆于 2026 年 10 月 14 日发文指出，商业利益常常压过公开分享知识的价值，结果是订阅费、付费墙和限制获取的出版模式，把本应造福社会的知识挡在门外。文章随后转述了本届主题对财务、人力与环境成本的表述。

文章给出四项行动建议：了解开放获取；不要自动把版权转让出去，与出版商协商保留版权，或选择开放获取渠道；在课程中采用开放教材、开放获取文章或学校已购买授权的资料，降低学生的教材开支；以开放获取方式发表。

在支持措施上，图书馆与 Wiley、ACM、ACS、MDPI、Springer 等出版商的协议可以覆盖或降低开放获取发表费用，这些协议来自学校参与 VIVA 及其他会员组织；投往没有协议的期刊时，作者可申请图书馆与学校科研、经济发展与创新部门（REDI）合办、额度有限的 APC 基金。图书方面，部分开放获取图书出版社不向作者收费，图书馆还提供 Pressbooks 用于自制电子书和互动课程材料。论文、会议报告等也可存入机构知识库 JMU Scholarly Commons，图书馆称其年下载量已超过 200 万次。

三份公告中，JMU 对“谁来付费”回答得最直接：要么由联盟协议和校内基金承担，要么通过保留版权和存入机构知识库绕开付费环节。但“200 万次”是图书馆自报数字，文章没有说明统计口径和对应年份；APC 基金也只写了“额度有限”，没有给出金额和申请条件。

参考文献

1. April Clyburne-Sherin. Theme for Open Access Week 2026 is “The Cost of Knowledge”. International Open Access Week, 2026-05-04. https://www.openaccessweek.org/blog/2026/theme

2. International Open Access Week. The Cost of Knowledge（主题页，未标注发布日期）. https://www.openaccessweek.org/theme

3. Bill Dotson. Open Access Week Programs Explore "the Cost of Knowledge". USC Libraries, 2026-10-07. https://libraries.usc.edu/article/open-access-week-programs-explore-cost-knowledge

4. University of Victoria Libraries. The Cost of Knowledge: Celebrating Open Access Week 2026. 2026-10-08. https://www.uvic.ca/library/about-us/news-stories/news/announcements/open-access-week-2026.php

5. JMU Libraries. The Cost of Knowledge: Open Access Week 2026 at JMU. 2026-10-14. https://www.lib.jmu.edu/oa-week/

6. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

7. 信息同步发表于恩特学术，智能时代的学者社区

巴里坤山东北侧山体，属新疆东天山，2007年2月摄于S302公路。图：B_Aichner，来源：Wikimedia Commons，许可：CC BY-SA 4.0；本站已转换格式并缩放。

2026年9月17日（北京时间18日），《科学》刊发付巧妹、崔银秋团队论文：他们测得新疆东天山11处遗址135位古人的全基因组，年代跨越距今3580至1546年。分析显示，青铜时代主体人群约一半祖源与黄河流域粟作农民相关，另一半与切木尔切克文化人群相关；铁器时代人群延续本地底色，又吸收了多方向成分。

样本：东天山近两千年的古基因组序列

研究团队从新疆东天山11处考古遗址获得135位古代个体的全基因组数据，个体年代为校正后距今3580年至1546年，覆盖青铜时代到铁器时代近两千年。东天山东接河西走廊、西连内亚山地走廊，是中国北方通往欧亚草原和中亚的通道。考古材料早已记录粟、小麦、大麦、家畜和冶金技术经过这里，但这一地区的古基因组数据一直很少。论文要回答的问题因此很具体：作物、陶器和技术的传播，是否也伴随着人群迁移？

据 Earth.com 对论文的报道，作者把新数据与735例已发表古基因组和2850名现代人的数据放在一起比较。论文页面显示，原始测序数据（FASTQ 与 BAM 文件）已存入国家基因组科学数据中心 GSA（编号 HRA017876），伪单倍体基因型数据存于 OMIX（编号 OMIX016383）。论文于2024年12月投稿，2026年8月5日接收，9月17日刊出。

方法：f 统计量与 qpAdm 混合建模

要回答“谁与谁有共同祖先、各占多少”，古基因组研究常用 f 统计量。以 f4(A, B; C, D) 为例，它在全基因组位点上计算“A 与 B 的等位基因频率差”和“C 与 D 的频率差”的平均乘积。如果 A、B 相对于 C、D 属于同一支，期望值为零；显著偏离零，说明 A 或 B 与 C、D 中的某一方共享了额外的遗传历史。

qpAdm 在 f4 的基础上做混合建模：研究者指定目标人群，再给出几个候选“源人群”（左侧）和一组“外群”（右侧），程序检验这些源人群按某种比例混合后，能否解释目标人群与所有外群之间的 f4 关系。模型通过时，给出各源的混合比例和标准误；模型被拒绝，往往意味着缺了一个来源，或选错了代理人群。这篇论文的参考文献列入了 f 统计量的方法论文（Patterson 等，2012）和提出 qpAdm 框架的欧洲草原迁移研究（Haak 等，2015），还包括古 DNA 损伤与污染评估、线粒体单倍群分型、低覆盖度基因型填补、血缘片段检测和放射性碳校正等工具。

读结论时要记住：qpAdm 里的“源”是已测序的代理人群。所谓“约一半祖源与黄河流域粟作农民相关”，意思是在作者检验的模型里，黄河中上游中晚期新石器时代人群最适合充当这部分祖源的代表，并不等于东天山居民直接来自某一处已知遗址。

qpAdm 混合建模示意：金色圆代表与黄河中上游中晚期新石器时代粟作人群相关的源，蓝绿色圆代表切木尔切克文化相关的源，二者汇入中间的东天山青铜时代主体人群（按机构通稿约各占一半，图中比例仅为近似）；右侧灰点为用于 f4 检验的外群。源为已测序的代理人群，并非直接祖先。内容据 Science 论文摘要、吉林大学通稿与 ADMIXTOOLS 2 文档整理。AI 生成示意图。

结论：青铜时代的东西混合与铁器时代的多源汇入

青铜时代的主体人群此前未被识别。Earth.com 报道称，这一遗传群体出现在天山北路、泉儿沟等四处墓地，介于东、西欧亚人群之间。按机构通稿，以天山北路遗址为代表，其约一半祖源与黄河中上游中晚期新石器时代粟作农业人群相关，另一半与阿尔泰山—准噶尔地区的切木尔切克文化人群相关；Earth.com 转述的模型估计约为51%，母系遗传的线粒体谱系也呈现东西混合。吉林大学称，这是新疆目前发现的这两类成分融合的最早遗传学证据。作者据此认为，粟作生活方式西传到东天山，不只是作物和技术的传播，也有来自中国北方的人群迁入。

第二个结论是一种“缺席”：中晚期青铜时代草原牧民在内亚大范围东扩，却几乎没有给东天山主体人群留下祖源。不过，青铜时代人群并不均一。南湾遗址一名个体主要携带切木尔切克相关成分，同时含有与中亚南部巴克特里亚—马尔吉亚纳文化复合体（BMAC）相关的成分，Earth.com 转述的比例约为17%；泉儿沟的离群个体则分别带有与蒙古北部新石器时代人群、哈萨克斯坦东部青铜时代中晚期人群相关的成分。可见当时这里的人群联系向东到黄河流域，向北到蒙古高原和阿尔泰，向南到中亚南部。

进入公元前一千纪，东天山人群变得更加多样。多个铁器时代人群继承了较高比例的青铜时代本地核心成分，同时分别吸收了与黄河流域、蒙古高原、欧亚草原和中亚南部相关的成分。石人子沟人群保留了阿凡纳谢沃相关的早期草原信号，这与宁超等2019年对该遗址的研究相呼应，那项研究估计个体中颜那亚或阿凡纳谢沃相关祖源约在20%到80%之间；另有多个遗址受到中晚期青铜时代草原人群的影响。Science 编辑摘要指出，许多模式更像持续或多次的基因流，而不是一次性混合或整体替换。

Earth.com 还报道，海子沿遗址的墓葬按时间分成两组，较早一组更接近西欧亚人群，较晚一组更接近东亚人群；作者把较早一组的混合年代估计在约3300年前。论文据此提出，东天山的跨区域人群互动比历史上的丝绸之路早约1800年。

局限：代理人群与采样空白

据 Earth.com 对论文讨论部分的转述，作者能判断这些人群来自哪些祖源，却不总能说明祖源怎样到来。南湾个体的数据无法区分“短时间内多次迁入”和“持续接触”。粟作农民成分以黄河流域人群拟合最好，但用西辽河地区和蒙古东部的北方东亚人群也能得到相近结果。石人子沟的阿凡纳谢沃匹配被作者视为附近尚未采样人群的替身；另一处铁器时代遗址（报道拼作 Qigeman）数据太少，难下结论。要分清每一股祖源的真正来处，还需要这条走廊所连接的周边地区的古基因组。

还有两点需要分开看。第一，遗传祖源说明的是人群之间的血缘联系，不能直接推出语言、族群认同或文化归属；陶器风格与葬俗的来源，仍要由考古材料自身论证。第二，“早于丝绸之路约1800年”是作者以历史时期丝绸之路为参照作出的概括；机构通稿把结果引申到中华文明的多区域交流与融合，属于对研究意义的阐释，并非基因组数据本身给出的结论。

参考文献

1. Ning C., Wang K., Wang T., Ma J., Zhao X., et al. Ancient DNA unveils distinctive ancestries in the Bronze and Iron Ages of East Tianshan. Science 393, eadv1295 (2026-09-17). https://doi.org/10.1126/science.adv1295

2. 吉林大学生命科学学院. Science | 崔银秋教授团队揭示新疆东天山青铜至铁器时代人群遗传历史. 2026-09-18. https://life.jlu.edu.cn/info/1077/6327.htm

3. 新华社（中国科学院网站转载）. 古基因组揭示新疆东天山青铜至铁器时代人群遗传历史. 2026-09-18. https://www.cas.cn/cm/202609/t20260918_5120589.shtml

4. Arrais L. People from East and West were mixing long before the Silk Road. Earth.com, 2026-10-04. https://www.earth.com/science/people-from-east-and-west-were-mixing-long-before-the-silk-road/

5. Ning C., Wang C.-C., Gao S., et al. Ancient genomes reveal Yamnaya-related ancestry and a potential source of Indo-European speakers in Iron Age Tianshan. Current Biology 29, 2526–2532 (2019). https://www.cell.com/current-biology/fulltext/S0960-9822(19)30771-7

6. ADMIXTOOLS 2 Tutorial（f4 统计量与 qpWave/qpAdm）. https://uqrmaie1.github.io/admixtools/articles/admixtools.html

7. Ancient DNA unveils distinctive ancestries in the Bronze and Iron Ages of East Tianshan

8. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

9. 信息同步发表于恩特学术，智能时代的学者社区

JWST 近红外相机（NIRCam）拍摄的猎户座棒，ESA/Webb 于 2023 年 6 月 26 日随 PDRs4All 团队的另一项研究发布。这是观测图像，不是本文所述研究的模拟结果。斜贯画面右下的致密“棒”受到来自画面左上方之外的四边形星团紫外光照射，受照一侧布满空洞和丝状结构。图：ESA/Webb, NASA, CSA, M. Zamani (ESA/Webb), the PDRs4All ERS Team，CC BY 4.0。

2026 年 10 月 16 日，《天文学与天体物理学》（Astronomy & Astrophysics，A&A）在线发表了德国杜伊斯堡-埃森大学 Brandt Gaches 与之江实验室研究者合作的一项建模研究（A&A 714, A295）。团队用升级后的公开代码 3D-PDR，为一块“类猎户座棒”的气体区域建立了三维、高分辨率的光致离解区模型。他们的结论是：致密气团投下的阴影和留下的屏蔽区，足以解释詹姆斯·韦布空间望远镜（JWST）和 ALMA 观测中两个难以用旧模型复现的现象——氢分子解离前沿与电离碳复合前沿几乎重叠，以及近红外氢分子辐射呈现弧状和丝状结构。需要先说明的是，这是一项数值模拟，而不是新的观测；模型描述的是与猎户座棒相似的区域，作者也明确表示并未针对猎户座棒做最优拟合。

猎户座棒与一维模型的难题

光致离解区（photodissociation region，PDR）出现在大质量年轻恒星的远紫外辐射照到分子云边缘的地方：紫外光加热气体、拆开分子，并驱动一连串化学反应。论文指出，星系中大部分中性气体处在这类区域，许多用来研究恒星形成和星际介质演化的谱线也从这里发出。猎户座棒距地球约 414 秒差距（约 1350 光年），主要受 O7 型星猎户座 θ¹C 照射，而且碰巧几乎侧对地球，不同化学层像切开的千层蛋糕一样依次排开，因此几十年来一直是检验 PDR 模型的标准样本。

经典模型通常把这类区域当作一维的层状平板：从受照面往里，先是原子氢变为氢分子的“氢前沿”，再往里是电离碳复合为中性碳、进而形成一氧化碳的“碳前沿”。过去十年的高分辨率观测并不完全符合这幅图景。ALMA 和 JWST 的 PDRs4All 计划显示，两条前沿在现有角分辨率下几乎重叠；更早的碳射电复合线观测甚至发现，碳复合有时出现在氢分子解离前沿之前。JWST 近红外相机还在视场内看到三道解离前沿，以及锯齿、空洞和分层结构。高压一维模型可以让两条前沿靠近，但难以同时对上整体谱线强度，更无法再现这些空间形态。

三维分形模型的构建

团队没有直接模拟气体动力学，而是用分形密度分布代替湍流塑造的云团结构。模型立方体边长 0.1 秒差距，划分为 128³ 个网格，单格约 160 天文单位，作者认为足以分辨相关的光化学过渡。立方体前部是密度均匀的低密度区（每立方厘米约 10⁴ 个氢核），对应以原子气体为主的 PDR 外层；后部是密度在 10⁴ 到 5×10⁶ cm⁻³ 之间起伏的团块。通过改变分形维度 𝒟（2.0 到 2.7，共八种密度实现），模型可以在“大尺度相关结构”和“均匀分布的小团块”之间切换。

辐射从立方体一侧照入，远紫外强度设为 Draine 标准场的 3×10⁴ 倍。化学网络包含 108 种物质和 1828 个反应，速率更新至 UMIST2022 与 KIDA 数据库；新加入的求解器逐格计算氢分子 132 个振转能级的非局部热平衡布居，因此模型可以直接给出近红外氢分子谱线，而不必另行假设激发状态。计算瓶颈在于辐射如何穿过不规则的三维结构。之江实验室的 Zhengping Zhu 开发了 RAYTHEIA 光线追踪算法，团队把它并入 3D-PDR 来解决这一问题。机构新闻稿引用他的话说，新算法让团队得以用“前所未有的空间分辨率”对猎户座棒做三维建模。

阴影、前沿重合与弧状辐射

在三维模型里，氢分子解离前沿不再是一个平面，而是一张起伏复杂的曲面：低密度空洞让紫外辐射深入云内，致密团块则在身后投下阴影。由于受照面本身凹凸不平，阴影也带有方向性；在阴影区，气体和尘埃温度可降到 20 K 或更低。作者在讨论中指出，三维结构的主要影响来自远紫外辐射的传播：两条方向相差 30° 的视线，可能一条穿过致密核心、另一条穿过低密度空洞，局部受到的紫外照射因此差别很大。

对每条平行于照射方向的视线，作者测量碳前沿与氢前沿之间的距离，共得到 128² 个样本。间距分布以零为中心，峰值小于 0.25 千天文单位（在猎户座棒的距离上不到 1 角秒），尾部可延伸到 6 千天文单位（约 15 角秒）；平均值在当前观测极限下与“两条前沿重合”一致。分形维度越高、团块越小越均匀，分布越向零收拢，并开始出现碳前沿位于氢前沿之前的区域。作者据此认为，不必引入复杂的化学动力学过程，仅凭三维密度结构就能自然产生重合甚至前后颠倒的两条前沿。

论文图 7（左）：分形维度 𝒟=2.2 的模型密度体渲染，红色标出氢分子（H₂）解离前沿，青色标出电离碳（C⁺）复合前沿。两条前沿大体贴合，局部错开。这是数值模拟结果，不是观测图像。图：Gaches et al. 2026, A&A 714, A295，CC BY 4.0。

模型还合成了与 JWST 近红外相机 F212N、F470N 滤镜对应的氢分子谱线图（2.12 和 4.69 微米）。分形维度较低时，大尺度空洞以凹入云内的形态出现，投影后呈现弧状和丝状结构；维度升高后，这些结构消失，辐射退化为较平直、颗粒状的前沿。作者把预测的 2.12 微米强度与 PDRs4All 和凯克望远镜的观测（约每秒每平方厘米每球面度 2–7×10⁻⁴ 尔格）对比，低维度模型落在这一范围内，整体略偏高。综合碳前沿领先、弧丝形态和总亮度三方面，作者认为 𝒟 约为 2.2–2.4 的模型最符合观测，即压缩运动形成的大尺度结构与湍流混合并存。

论文图 9：不同分形维度下模型合成的氢分子 (1-0)S(1) 2.12 微米谱线强度图，对应 JWST 近红外相机 F212N 滤镜，画面放大到光致离解区界面，青线为视线平均的解离前沿，色标经平方根拉伸。这是模型推算的“JWST 应看到的样子”，不是 JWST 实测图。图：Gaches et al. 2026, A&A 714, A295，CC BY 4.0。

模型边界与待检验之处

这项工作的边界需要和结论一起读：

• 它是“类猎户座棒”的数值实验。 论文写明主要目的不是给猎户座棒做最优拟合；分形密度场只是湍流结构的替身，并非自洽的流体动力学模拟。
• 化学部分做了简化。 模型只计入气相化学和尘埃表面生成氢分子，未纳入完整的气体—颗粒化学；远紫外按单一波段处理，氢分子和一氧化碳的自屏蔽使用预先计算的系数；振动激发氢分子参与的若干电离和电荷转移反应暂未包含；化学按稳态求解。作者认为这些简化对高辐照前沿的主要结论影响不明显，但承认它们降低了光化学的自洽程度。
• 与观测仍有差距。 预测谱线强度略高于 JWST 观测，作者推测与模型的总柱密度略高于观测约束有关。
• “能解释”不等于“已证实”。 三维密度结构可以再现观测特征，并不意味着猎户座棒的真实结构已被确定。作者提出的下一步，是把不同物理机制形成的气体形态放进三维模型，比较它们的光化学和辐射。

机构新闻稿把这项研究概括为“揭示恒星育婴室中隐藏的化学”，论文摘要则称其标志着天体化学的“转折点”。这些是作者和机构的评价。就现有材料而言，它是一个团队发表的建模结果，价值在于说明三维几何本身足以改变前沿位置和辐射形态；这一解释能否成立，还需要其他团队用观测和不同模型继续检验。

参考文献

1. Gaches, B. A. L., Bisbas, T. G., Brendel, L., & Zhu, Z. (2026). Resolving dense photodissociation regions: The structure of photochemical fronts in three-dimensional gas distributions. Astronomy & Astrophysics, 714, A295. https://doi.org/10.1051/0004-6361/202660769 （2026-05-04 收稿，2026-08-14 接收，2026-10-16 在线发表；CC BY 4.0）

2. Gaches, B. A. L., et al. (2026). arXiv:2608.04116 预印本. https://arxiv.org/abs/2608.04116

3. University of Duisburg-Essen. (2026-10-16). New 3D model reveals hidden chemistry of stellar nurseries. https://www.uni-due.de/2026-10-16-publication-aa-brandt-gaches-3d-model-en

4. Astronomy & Astrophysics. (2026-10-16). New 3D model reveals hidden chemistry of stellar nurseries（期刊转发新闻稿）. https://www.aanda.org/2026-press-releases/3248-new-3d-model-reveals-hidden-chemistry-of-stellar-nurseries

5. ESA/Webb. (2023-06-26). The Orion Bar region (NIRCam image), weic2315b. https://esawebb.org/images/weic2315b/

6. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

7. 信息同步发表于恩特学术，智能时代的学者社区

癌症复查的片子，为什么能回答代谢问题

成年人身上那点棕色脂肪，到底和哪些疾病有关？这个问题一直不好回答。白色脂肪负责储存能量，棕色脂肪则把能量烧掉、产生热量。直到 2009 年，研究者才报道确认成年人体内也有棕色脂肪[3]。要看到它，通常得先让受试者受冷或用药物刺激，再做 PET/CT 扫描，所以每项研究的参与人数都不多[1]。

2026 年 10 月 14 日，洛克菲勒大学 Paul Cohen 团队与纪念斯隆-凯特琳癌症中心（MSK）合作，在《自然》发表了一篇开放获取论文，换了一个思路[1]。MSK 每年为癌症诊断和随访拍大量 18F-FDG PET/CT。这种扫描显示的是哪些组织在摄取葡萄糖，正在工作的棕色脂肪恰好也会亮起来。团队回顾了 101,243 名患者的扫描和病历[1]。研究由美国国立卫生研究院（NIH）下属的 NIDDK 等机构资助[2]。

图｜一例 FDG PET/CT：受检者检查时受冷，颈部、锁骨上和脊柱旁的棕色脂肪摄取葡萄糖而显影（箭头处）。此图并非本文所述论文的图片。来源：Hg6996（Wikimedia Commons），《Brownfat PETCT》，Commons 文件页，原文。许可：Public Domain。改动：未改动内容，仅转为 WebP 并压缩尺寸。

团队做了三件事

第一件：把所有诊断都筛一遍。 有棕色脂肪的人往往更年轻、女性更多、体重更轻，扫描时气温也更低。直接比较会把这些差别混进去。团队先用倾向评分匹配，让有、无棕色脂肪的两组在年龄、性别、BMI 和扫描时气温上对齐，按 1:2 配出有棕色脂肪 8,897 人、没有的 17,405 人。然后不预设目标，对 511 个 ICD 诊断编码逐一检验，同时调整种族、吸烟史、癌症部位、分期和治疗等变量[1]。

结果有 98 个编码在调整后仍然显著，其中 92 个在有棕色脂肪的人中更少见[1]。比值比（OR）可以这样读：2 型糖尿病的 OR 是 0.42，意思是有棕色脂肪者患病的几率（odds）约为对照组的 0.42 倍。慢性缺血性心脏病是 0.53，焦虑障碍 0.78，抑郁发作 0.68，睡眠障碍 0.77[1]。按疾病系统归类后，心血管和精神类诊断最突出。精神类诊断是这项研究新看到的信号[1][2]。

第二件：从“有没有”到“有多少”。 团队此前的工作只能把人分成有棕色脂肪和没有两类[1]。这次他们用机器学习流程 TriDFusion（内部用 nnU-Net 做图像分割），在 PET 和 CT 图像上自动圈出颈部、锁骨上、纵隔、脊旁、腋窝和腹部六个棕色脂肪部位，再用“平均葡萄糖摄取值 × 体积”表示代谢活性。这样量化了 8,709 人，占有棕色脂肪者的 97.9%[1]。论文称之为“半自动”量化，也就是分割由算法完成，但整个流程并非完全不需要人工。

把这些人按活性分成三档后，活性越高，心血管代谢疾病的几率越低，其中腋窝部位的关联最强[1]。活性高的人皮下脂肪更多、内脏脂肪更少，血糖、糖化血红蛋白和收缩压也更低[1]。

第三件：顺着用药记录找到一种候选药。 用药分析显示，服用血管紧张素受体阻滞剂（ARB，一类常用降压药）的人更常检出棕色脂肪[1]。团队于是拿这类药中用得最广的氯沙坦做概念验证。在培养的棕色脂肪细胞里，氯沙坦提高了产热蛋白 UCP1 的水平和细胞耗氧。用药物阻断 PPARγ 这个核受体后，效果明显减弱。作者据此认为，氯沙坦激活棕色脂肪走的是 PPARγ 通路，与它降血压的机制无关[1]。健康小鼠用药后，全身能量消耗、耗氧量和二氧化碳产生都增加了，体重保持稳定[2]。

第一作者 Nicolás Gómez-Banoy 在 NIH 的新闻稿中说，两种作用由不同分子通路介导，将来也许能把它们分开，在血压正常的人身上只刺激棕色脂肪[2]。这是作者对未来方向的推想，不是已经验证的疗法。

示意：癌症中心 PET/CT 与病历 → AI 分割六个棕色脂肪部位并计算活性 → 与诊断编码和用药记录做关联 → 氯沙坦在细胞与小鼠中验证。Scholay 原创手绘示意（AI 辅助生成）

它能说明什么，还不能说明什么

先说能说明的。这项工作最大的新意在方法：原本为癌症拍的常规影像，被变成了可以批量量化的棕色脂肪表型；关联的范围也从心血管代谢扩展到了精神类诊断[1]。哈佛医学院的分子生物学家 Shingo Kajimura 在接受《自然》新闻采访时说，这是该领域最全面、可能也最重要的工作之一[3]。

再说还不能说明的，至少有三点。

第一，这是回顾性关联研究，推不出“棕色脂肪预防了糖尿病或抑郁”。方向也可能反过来：身体本来更健康的人，更容易保留活跃的棕色脂肪。华盛顿大学圣路易斯分校的 Irfan Lodhi 在同一篇报道中指出，要证明棕色脂肪确实带来了这些益处，还需要更多工作[3]。

第二，论文自己列出了局限。扫描前没有冷刺激，棕色脂肪可能被低估。研究人群来自一家癌症中心的便利样本，尽管调整了大量癌症相关变量，作者仍表示不能排除肿瘤类型或抗癌治疗的影响[1]。

第三，氯沙坦的证据要分两层看。在人群数据里，只是服药与检出棕色脂肪同时出现；激活作用只在细胞和小鼠中观察到，还没有人体试验[1][2]。本文不构成任何用药建议。

示意：三类结论各自停在哪一层证据上，不代表具体数值。Scholay 原创手绘示意（AI 辅助生成）

作者认为，下一步需要大型前瞻性研究。但他们也承认，在找到可靠的棕色脂肪生物标志物或无创检测方法之前，在非肿瘤人群中大规模做 PET/CT 几乎不可行[1]。在那之前，这组关联最适合被当作提出假设的线索。

参考文献

1. [1] Gómez-Banoy N, Barrero J A, Pinheiro de Carvalho L R, et al. Artificial intelligence-enabled clinical phenotyping of human brown fat[J]. Nature, 2026. 2026-10-14 在线发表，卷期页码未定. DOI: 10.1038/s41586-026-11162-7.

2. [2] National Institutes of Health. A blood-pressure drug may activate health-promoting brown fat[EB/OL]. (2026-10-14)[2026-10-17]. 原文.

3. [3] Lenharo M. Overlooked brown fat in our bodies linked to wide range of health benefits[EB/OL]. Nature News, (2026-10-14)[2026-10-17]. 原文.

4. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

5. 信息同步发表于恩特学术，智能时代的学者社区

机械秒表。摄影：wwarby，来源：Flickr，许可：CC BY 2.0。

10 月 14 日提交到 arXiv 的三篇论文彼此独立，却都在检验评测设计如何改变结论：北京大学与三星研究院让游戏在模型思考时继续运行，LASR Labs 等机构从接近满分的基准的解题记录里找能力差异，南非西开普大学给超算调度算法加上随机对照。三篇目前都以预印本形式公开，结论尚待独立复现。

The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock

北京大学与三星研究院（北京）的 Pan 等人提出了 RealtimeBench 评测集：包含 Mario、Snake、Tetris 等 6 类游戏共 180 个任务，模型思考期间游戏不暂停，上一条操作会一直生效。论文的核心观察是，同一组模型在“暂停”和“实时”两种时钟下的排名会反过来。游戏暂停时，单次响应约 19 秒的 GPT-6.1-sol 在 6 类游戏中有 5 类胜过反应更快的决策模型 Jev；游戏实时运行时，两者在 0–100 进度分上的平均分变成 1.51 对 13.51。论文测试的所有模型，实时条件下的平均分都没有超过 16.62。

模型拿到的不是原始画面，而是程序整理好的结构化文字状态和合法动作列表；每类游戏的 30 个任务按 10、10、10 分成反馈集、验证集和测试集。作者据此提出 TORSI 方法：慢速的“教师”模型（GPT-6.1-sol）在两局之间复盘快速“学生”模型 Jev 的失败，从保存的游戏状态出发，在暂停或减速的环境里试验改法，再写成可复用的操作指令；学生在实时对局中只照指令行动，不调用教师。新指令只有在验证集平均分严格提高时才会被采纳。两轮之后，Jev 的测试集平均分从 13.51 升到 24.19，6 类游戏都有提高；同一套指令不经调整用在另外三个模型上，平均分也都上升，例如 StartLux 4B 从 12.22 升到 25.05。

单色屏手机上的贪吃蛇（Snake）游戏。Snake 是 RealtimeBench 的 6 类游戏之一，但论文中的模型接收的是文字状态，不是这样的画面。摄影：kamirao，来源：Flickr，许可：CC BY 2.0。

这项工作提醒研究者，暂停式游戏评测得出的“推理更强”，未必能换来实时环境里的“做得更好”。局限同样明确：评测输入是结构化文字，不含视觉感知带来的误差和延迟；TORSI 依赖可保存、可重置的模拟环境，在物理世界或不可逆操作中难以直接照搬；实验只覆盖 6 类游戏和两轮改进，迁移到 StartLux 27B 时，Tetris 和 Temple 两类游戏的分数反而下降。论文与 ACE、AHE、GEPA 等方法的比较也没有统一预算，作者对此有明确说明。

Evaluating Model Capabilities After Benchmark Saturation

当几个模型在同一个基准上都接近满分，分数就失去了区分能力，这被称为基准饱和。Hamada、Yeon 等五位作者（署名机构包括 LASR Labs、图宾根 ELLIS 研究所、英国 AI 安全研究所等）追问：分数饱和之后，模型的解题过程记录（transcript）里是否还保留着能力差异？答案是保留了一部分。在作者比较的几种方法中，让大模型裁判两两比较解题记录的“成对评判”效果最好，预测误差比只看饱和分数的基线低 5.3 倍。

研究用历史模型回溯模拟饱和：按半年划分模型发布期，用前一期的 7–8 个模型作参照，预测后一期 8 个目标模型的能力，2025 年下半年和 2026 年上半年两期共 16 个目标模型。题目被拆成两部分：参照组前三名全部答对的题算“已饱和”，其余算“未饱和”。各方法只能看到目标模型在饱和题上答对的记录，“答没答对”因此不再提供信息；能力真值则用项目反应理论（IRT）在未饱和的难题上估计。测试覆盖科学、数学、编程和网络安全四个领域，基准包括 GPQA-Diamond、AIME、SWE-Bench、CyBench 等。成对评判的均方误差为 0.26（95% 置信区间 0.18–0.34），统计上显著优于基线；基于文本特征、嵌入向量和单份打分的方法误差也低于基线，但未达到显著。

作者还发现，能力信号分散在整份记录里，删掉任意三分之一通常不会让预测失效；隐去推理过程会让编程、网络安全和科学领域的预测误差升高约 3–4 倍，去掉工具调用则主要影响网络安全领域。对需要持续追踪前沿模型能力的安全评估来说，这意味着旧基准在饱和后仍有剩余价值。限制在于泛化：2024 年底的裁判系统性低估了 2025 年初出现的第一批推理模型，模型范式一变，方法就可能失灵。此外，闭源模型通常不提供完整推理记录，推理模型时期的主实验主要使用开放权重模型。

Deep Reinforcement Learning for HPC Job Scheduling: A Statistical Evaluation

南非西开普大学的 Cheney 与 Nyirenda 检验了深度强化学习（DRL）用于超算作业调度时究竟贡献了什么，作者注明论文已被 SACAIR 2026 会议在线论文集录用。很多研究只把 DRL 调度器和传统启发式规则比较，这篇论文多加了一个对照：在同样的“动作掩码”（预先排除不可行选项）下随机挑选作业。结果显示，在较为同质的 CPU 集群负载上，没有一种带掩码的 DRL 方法在平均等待时间和有界减速比上显著优于这个随机对照；9 项比较中有 7 项差异显著，而且全部对随机对照有利。

美国橡树岭国家实验室的 Titan 超级计算机机柜，仅作超算机房示意，与论文使用的两条作业记录无直接关系。摄影：GBPublic_PR，来源：Flickr，许可：CC BY 2.0。

实验比较 PPO、A2C、DQN 三种算法各自带掩码和不带掩码的 6 个版本，另设 LCFS、SJF、UNICEP 三种启发式规则和随机对照，每种设置跑 10 个随机种子。数据是两条真实的 Slurm 作业记录：同质的 physical（84,135 个作业，87 个节点）和异质的 deeplearn（68,720 个作业，30 个节点、120 块 GPU），按提交时间前 70% 用于开发、后 30% 留出。三种不带掩码的版本都没能跑完一次完整评测：它们会选中不存在的作业，模拟时间随之停住，最后被防卡死机制中止。在 deeplearn 负载上，带掩码的 PPO 在三项主要指标上都显著优于随机对照，平均等待时间低 28.0%，与 UNICEP 在 ±10% 范围内等效，最大有界减速比比 LCFS 低 22%；但它与带掩码的 A2C 之间没有检测到显著差异。

这篇论文的价值主要在方法上：DRL 调度器“打平启发式”不等于“学到了东西”，先看它能否胜过同样掩码下的随机选择，才能判断学习本身的贡献。两条负载上，随机对照比最佳启发式分别只差约 3.7% 和 38.4%，这段可优化空间的大小在很大程度上决定了结论。局限包括：主比较关闭了回填（backfill），并非完整的生产 Slurm 配置；奖励每 512 步才发放一次，各算法训练步数相同但参数更新次数不同；结论只针对两条负载和这一套训练配置。代价也不低：带掩码 PPO 的评测耗时分别是最快启发式的 35 倍和 13 倍；在 deeplearn 的留出数据上，它相对随机对照的平均等待优势从 27.7% 缩小到 3.9%。

参考文献

1. Pan N, Li H, Shen Y, Ding N, Tang Y, Zhang W. The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock. arXiv:2610.20665, v1 提交于 2026-10-14. https://arxiv.org/abs/2610.20665

2. Hamada M, Yeon J, Migliarini M, Olive J, Dubois M. Evaluating Model Capabilities After Benchmark Saturation. arXiv:2610.20667, v1 提交于 2026-10-14. https://arxiv.org/abs/2610.20667

3. Cheney J M, Nyirenda C N. Deep Reinforcement Learning for HPC Job Scheduling: A Statistical Evaluation. arXiv:2610.21008, v1 提交于 2026-10-14. https://arxiv.org/abs/2610.21008

4. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

5. 信息同步发表于恩特学术，智能时代的学者社区

LROC 广角相机拍摄的月球背面正射影像，以经度 180°、纬度 0° 为中心，取自 2009 年 11 月至 2011 年 2 月间 1.5 万多幅图像拼接的全月影像。背面以高地为主，月壳也比正面厚。图：NASA/Goddard/Arizona State University，2011 年 3 月 11 日发布；来源：NASA Goddard Photo and Video（Flickr）；许可：CC BY 2.0。

2026 年 10 月 14 日，《行星科学杂志》发表史密森学会荣誉科学家托马斯·沃特斯团队的论文：他们在月球勘测轨道器相机影像中标出 1 万多条年轻的挤压断层，据此估算月球半径在过去 4 亿至 8 亿年间缩小约 45 米。这是迄今对月球晚期收缩最完整的一次统计，也给“月震可能发生在月面任何地方”提供了更详细的断层底图。

从一万多条断层推算 45 米

这项研究的底图来自美国国家航空航天局（NASA）的月球勘测轨道器（LRO）。它自 2009 年起绕月工作，搭载的月球勘测轨道器相机（LROC）包括能分辨米级细节的窄角相机（NAC）和用于拼接全月图的广角相机（WAC）。论文称，在南北纬 45 度之间，光照角度适合识别地形的 NAC 影像覆盖率已超过 90%。研究团队在 0.5 至 2 米像素的 NAC 影像和 100 米像素的 WAC 拼图上逐条描出叶状陡坎，总数超过 8900 条，其中长于 1 千米的约 5470 条，总长约 19,133 千米。再加上同组研究者 2025 年在月海中统计的 2600 多条小型月海脊，新闻稿给出的合计是“超过 1 万条年轻断层”。

叶状陡坎是月壳受挤压后，一侧岩层沿逆冲断层爬到另一侧之上形成的小型台阶：朝外的一面较陡，背后一面较缓，高度一般为几十米，个别超过 150 米。它们比水星和火星上高逾千米、长达数百千米的同类构造小约一个数量级。论文依据它们切割直径不足 50 米的小陨石坑等关系，判断其形成于约 8 亿年以来；已有的陨石坑计数还给出过不到 1.5 亿年的模式年龄。

要从断层数量推到半径变化，关键是每条断层让地表缩短了多少。团队没有逐条测高，而是用 NAC 立体影像生成的数字高程模型，精测了 42 条长度和高度各不相同的代表性陡坎：最大高差约 4 至 164 米，长度约 0.3 至 14 千米。断层的最大位移通常与长度成正比，研究据此拟合出比例系数，再假设断层面倾角为 25 至 35 度，把全部断层的长度换算成面积收缩量。结果是月球表面积整体收缩约 0.0048% 至 0.0053%，对应半径缩小约 42 至 46 米（倾角取 30 度时约 44 米）。其中月海的小型月海脊最多只贡献约 6 米，主体来自高地上的叶状陡坎。

这个数字落在早年两次估算之间。2010 年，沃特斯等人根据只覆盖约 10% 月面的阿波罗全景相机照片外推，得到约 70 米；2015 年，他们用当时约 3200 条陡坎算出约 25 米。若收缩从约 4 亿年前开始且速度大致不变，半径每百万年约缩小 11 厘米；若从约 8 亿年前哥白尼纪开始时算起，则约为每百万年 6 厘米。新闻稿把它折算为每年约 0.1 微米，并与地球板块平均每年约 1.5 厘米的移动速度对比。

曼德尔施塔姆（Mandel’shtam）陡坎簇中一条显著的叶状逆冲断层陡坎，位于约北纬 6.9°、东经 161° 的月球背面；断层抬升的一侧压覆了两个小陨石坑。画面宽约 1430 米，上方为北，NAC 影像 M103460280LR。图：NASA/GSFC/Arizona State University；来源：Wikimedia Commons；许可：公有领域（美国政府作品）。

断层分布与月震关联

新闻稿强调了月球与地球的一个差别：地球约 90% 的构造和地震活动集中在板块边界附近，而月球只有一整块岩石圈，像一层没有接缝的壳。内部冷却收缩时，断层不会集中在某条边界上，而是散布在整个月面，因此既有断层再次滑动或新断层形成引起的月震，可能出现在月面任何地方。论文的统计也显示了这种广泛分布：叶状陡坎出现在高地与月海的各类地形中，连永久阴影区也有，北极附近 Mouchez L 永久阴影区内最长一条陡坎的高差约 116 米。

不过分布并不均匀。团队把月面划成 20°×20° 的网格统计断层总长，发现陡坎常成簇出现：湿海以南高地的 Vitello 簇由近 100 条陡坎组成，累计长度近 400 千米，是月球上最长的陡坎簇之一。相反，东方盆地和赫茨普龙盆地周围的高地陡坎很少，而 GRAIL 重力探测数据显示那里正是月壳最厚的区域。论文把这写作两者之间“可能存在关系”；新闻稿进一步说，月壳最厚处断层最少，这些区域可能最稳定。后一句是由断层分布推出的判断，并非对当地月震活动的直接测量。

论文还估算了收缩在月壳中造成的应力：半径缩小约 45 米，对应约 4 兆帕的各向同性压应力，比 2015 年基于约 2300 条断层的估计高出近一倍，并与阿波罗被动地震台网记录到的浅源月震应力降（通常只有几兆帕）相符。此前的研究也把断层与月震、滑坡联系在一起：2019 年的分析发现，28 次重新定位的浅源月震中有 13 次震中位于叶状陡坎 90 千米范围内；LROC 前后对比影像还在年轻断层附近发现了新近的滑坡。2024 年发表的月球南极研究则指出，阿尔忒弥斯三号候选着陆区 de Gerlache Rim 2 内有一簇年轻陡坎，其中最大一条形成时可能伴随矩震级约 5.3 的浅源月震。新论文据此认为月面可能存在活动断层，并以此作为部署月球地球物理台网、查明月震来源与风险的理由。

晚期收缩的解释与估算前提

45 米这个量级本身也带来一个问题。按一些热演化模型，月球半径应至少缩小约 750 米到 1.1 千米；要与这些模型吻合，月面断层所代表的应变需要再大约 5 倍，单条陡坎也应长达约 100 千米、高达数百米。月球约 36 亿年前起整体转为以挤压为主，如果断层从那时起持续形成，高地上应能找到更大、已被磨蚀的古老陡坎，但目前没有发现。作者也检验了收缩是否被风化层孔隙悄悄吸收：几种压实模型都显示风化层密度随深度迅速升高，这种可能性不大。

作者倾向的解释是，月球的热演化并非单调冷却：一层厚而多孔、破碎的巨型风化层像保温层一样，长期抑制内部散热和收缩，直到较晚近才失去部分效果；另一种可能是高地岩石圈强度较高，应力一直累积到哥白尼纪达到阈值后才大量断裂。论文还引用阿波罗时代地震数据所提示的液态外核，认为冷却收缩、新断层形成和旧断层生长今天仍在继续。这些属于机制解释，研究并没有直接测到月球此刻正在缩小。

数字本身也带着前提。每百万年 6 至 11 厘米只是平均速率，假设收缩匀速进行，而起始时间在 4 亿年前和 8 亿年前之间仍不确定；位移估算假定地表缩短主要来自逆冲断层滑动，没有计入褶皱的贡献；倾角取值和 42 条样本陡坎的代表性也会影响结果。从约 70 米到约 25 米再到约 45 米，每次扩充断层样本都改变过估算值，这次结果同样取决于当前的影像覆盖。论文所用的陡坎数据已在史密森学会的 Figshare 站点公开，便于其他研究者复核。

参考文献

1. Watters, T. R., Banks, M. E., Nypaver, C. A., & Robinson, M. S. (2026). Thrust Faulting and the Late-stage Contraction of the Moon. The Planetary Science Journal, 7, 239. https://doi.org/10.3847/PSJ/ae9eae

2. Smithsonian National Air and Space Museum. (2026, October 14). New Study Reveals How Much the Moon Is Shrinking. https://airandspace.si.edu/newsroom/press-releases/new-study-reveals-how-much-moon-shrinking

3. Watters, T. R., et al. (2024). Tectonics and Seismicity of the Lunar South Polar Region. The Planetary Science Journal. https://doi.org/10.3847/psj/ad1332

4. 信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。

5. 信息同步发表于恩特学术，智能时代的学者社区

6. Thrust Faulting and the Late-stage Contraction of the Moon

科研经费该怎样分，评审意见怎样组织，通常被当作研究工作的外部规则。NSF 与 UKRI 在 2026 年 10 月 8 日发布的联合声明，把这些规则本身放进了研究范围：两家机构准备合作，用实验和数据分析改进科研资助、实践与评价。

四个合作方向与所需数据

声明列出四个合作方向：测量科研生产力与影响，改进研究评审和资助，评估新方法与工具的使用，以及负责任地分析元科学相关数据。共同点是追问一套制度实际产生了什么结果，而不只看它的设计初衷。

把评审机制当作研究对象，需要同时掌握过程数据和结果数据。比如要比较两种评审安排，至少得记录各自花了多少评审时间、评审人之间的意见有多一致，以及获资助项目此后的表现。前两项在评审结束时就能统计，后一项要等项目执行之后才能看到。

英国元科学部门与 AI 评审

英国元科学部门已经把这类问题纳入日常工作。其公开介绍列有随机对照试验、历史数据分析、影子实验和政策试点。2026—2028 年的重点是 AI 怎样改变科研体系，其中包括分布式同行评议，以及 AI 用于基金、期刊和研究组合评价的可行性。

这里的 AI 评审是一项待研究的机制。要比较它与现有方法，仍需明确评审任务、人的参与方式和评价指标。速度只是其中一个维度；对不同学科、研究类型和申请群体的表现，也可以成为研究问题。

接下来看首批共同项目

对关注科研政策的人，这份声明提供了一条具体的后续观察线索：哪些评审或资助环节会被选作共同研究，使用什么数据，怎样比较效果。双方表示，计划在未来数月正式落实合作，并确定最初的共同项目。届时，项目设计比笼统的改革口号更能说明规则会怎样改变。

资料：NSF 与 UKRI 元科学联合声明；UKRI：英国元科学部门。

2026 年 10 月 11 日，毅力号累计行驶 45.22 公里，超过机遇号保持的 45.16 公里，成为地球之外累计行驶距离最长的车辆。NASA 于 10 月 12 日发布这项进展。两辆车到达这一里程的用时相差很大：毅力号约五年半，机遇号接近十五年。

里程数字与比较口径

毅力号在2026年10月11日拍到的车辙与岩石坡面；该火星日行驶91.31米。图片：NASA/JPL-Caltech，PIA26812。原图与说明，依NASA媒体使用规则用于本篇报道，仅压缩尺寸。

45.22 公里是落地以来的累计路程。NASA 同时列出毅力号单个火星日的最长行程 412 米；而刷新总里程纪录的那一天，即任务第 2006 个火星日，实际行驶了 91.31 米。三个数字回答的是三个问题，把它们放进同一条“日均速度”计算就会失真。

机遇号在 2018 年停止活动，45.16 公里是它任务结束后的里程。毅力号仍在行驶，所以这次比较应保留截至 2026 年 10 月 11 日的日期。里程增长让研究团队能够到达更多露头，具体路线仍取决于科学目标和地形。

途经点与 AutoNav 的分工

毅力号的行驶由地面和车上两部分配合完成。地面团队先选定途经点，决定这一段路要到哪里；车辆出发后，AutoNav 自主导航系统在行进中拍照，据此建立周围地形的三维障碍地图，再从中选择一条可以通过的路径。NASA 表示，毅力号超过 90% 的累计里程依靠 AutoNav 的这类评估。目的地仍由人来定，两个途经点之间怎样避开障碍、具体走哪条线，多数时候交给车上系统判断。

延长任务与 Idubi 地层

新一阶段延长任务从 2026 年 10 月开始，预计持续到 2028 年底附近。团队计划驶向 Idubi 区域，调查可能保存古代热液活动迹象的地层。自主导航的价值因此落在一个具体选择上：在有限任务时间里，把更多行程留给值得近距离研究的地点。

前篇卫星观测两则关注从轨道获得信息，这次把视角移到地面：相机观测既服务科学记录，也帮助车辆决定下一小段路怎么走。

资料：NASA 里程纪录报道；第 2006 个火星日导航相机图；地外车辆里程比较。

这期关注两项依靠空间观测推进的研究：一项利用卫星反推美国油气活动的甲烷排放，另一项把小型天文卫星送入常规科学观测。前者已有多年数据的分析结果，后者公布的是在轨性能验证与观测启动。

甲烷：产量增加，排放总量大体持平

约翰斯·霍普金斯大学 2026 年 10 月 13 日报道，研究者结合 TROPOMI、GOSAT 的观测与大气模型，估算了 2019—2024 年美国本土连续 48 州油气活动的甲烷排放。年度估计值介于 9.3—10.4 太克之间；1 太克相当于 100 万吨。

按研究口径，2019—2024 年油气活动的甲烷排放强度下降约 11%，排放总量却大体持平。两个指标衡量的对象不同：排放强度是甲烷排放量除以油气产量，表示每生产一单位油气排放多少甲烷；总量只看排放量本身。产量增加时，两者可以同时成立。用一组简化数字说明：若产量为 100、排放为 10，强度是 0.1；产量增至约 112 而排放仍为 10，强度降到约 0.089，降幅约 11%。因此这 11% 反映的是单位产量排放减少，不能读作油气甲烷排放总量下降 11%。

团队用大气输送模型把空中的甲烷信号追溯到地面来源。研究者讨论了基础设施改善与天然气回收的可能作用；对政策效果的判断，还涉及没有相关政策时排放会怎样变化的问题。观测到的趋势本身不足以给出那个反事实。

VERTECS：从系统检查进入常规观测

九州工业大学于 10 月 14 日更新英文公告，说明纳卫星 VERTECS 完成初期运行、开始常规天文观测。这份公告的日文原文发表于 9 月 4 日。卫星于 6 月 12 日发射，随后依次检查供电、通信、姿态控制、数据处理与观测系统。

初期观测把仪器指向选定天区，取得图像并传回地面，确认卫星与观测载荷达到在轨性能要求。接下来的主要任务是测量可见光河外背景辐射，用于研究宇宙中恒星与星系形成的历史；团队计划持续运行与观测一年。

此时值得跟进的是观测资料的积累、处理与后续分析。已经取得的初始图像用于展示仪器性能，科学结论则需要相应数据与研究过程来支撑。关注任务进展时，把发射、在轨测试、科学观测和论文结果分别记录，会更容易判断每次公告带来了什么新信息。

原文：约翰斯·霍普金斯大学，2026 年 10 月 13 日；九州工业大学英文公告，2026 年 10 月 14 日更新，该页注明日文原文发表于 9 月 4 日。

参考文献

1. U.S. methane emissions flatline, despite increases in oil and gas production

2. Astronomical nanosatellite VERTECS completes initial operations and begins scientific observations

2026 年 9 月 28 日至 10 月 2 日的九条学界动态：国家自然科学基金委、UKRI 与江西省科技厅发布资助指南或申报通知；三项 AI 辅助科研工作都把重点放在结论能否回溯到证据上，但评测仍以作者自测为主；开放科学方面有一个浏览器端电网计算开源框架、一宗仍在调查中的开放数据疑似滥用个案，以及 STM 的医学数据共享自愿性建议。

基金与资助：三份新公告，公开信息详略不一

国家自然科学基金委集中发布 8 份项目指南

国家自然科学基金委员会于 2026 年 9 月 30 日集中发布 8 份项目指南通告，方向包括表观基因组调控、深圳人工智能联合基金重大专项、面向低空经济前沿的基础研究、能源科学与人工智能融合青年专项、微重力多相界面流动、江门中微子实验原创探索、关联量子物质基础理论和介入式脑机接口。

官网通告只说明，指南已在科学基金网络信息系统的“项目管理—项目指南”模块发布。申请对象、资助强度和截止日期需要登录系统查看，本文未核到这些细节，因此不作补写。相关方向的研究者宜尽早登录核对，避免错过申报窗口。

UKRI/ESRC 与 Defra 招标设立气候韧性 What Works 中心

英国研究与创新署（UKRI）下属经济与社会研究理事会（ESRC）联合英国环境、食品和农村事务部（Defra），于 2026 年 10 月 1 日发布资助机会，资助建立并领导一个面向气候适应与韧性的 What Works 证据中心，与利益相关方共同生成、综合和转化证据，支持适应试点、干预和行动。

项目负责人须来自有资格获得 ESRC 资助的英国研究机构；英国企业、第三部门、政府机构和非英国机构不能担任负责人，但申请须至少包含一名来自英国企业、第三部门或政府机构的共同负责人。资助方最高贡献 2110 万英镑，申请于 2026 年 12 月 15 日 16:00（英国时间）截止，资助须在 2027 年 8 月 1 日前启动。

需要注意的是，UKRI 未来资助机会页面另列总经费 2640 万英镑。两个数字口径不同：前者是资助方的最高贡献，后者是页面列出的总经费，引用时应分别说明。与常见的单个研究项目不同，这笔资助面向的是一家“生产并转化证据”的机构。

江西启动 2027 年度省自然科学基金申报

江西省科学技术厅发布 2027 年度省自然科学基金项目申报通知，落款 2026 年 9 月 29 日，官网页面发布时间为 9 月 30 日。

申报人须为在职在岗的中国籍人员（含持永久居留证的外籍专家），一般需具备高级职称或博士学位，或获两名同领域高级职称人员推荐（青年项目 C 类除外）；公务员不得申报，每人每年限报 1 项省级科技计划项目。通知继续实行限额推荐，各单位重点项目与青年项目 A 类合计不超过指标数的 35%，青年项目 B 类和创新研究群体不受指标限制。申报人填报截止于 2026 年 10 月 29 日 17:00，单位审核截止于 11 月 1 日，推荐单位截止于 11 月 4 日。

资助金额未在通知正文列明，申报指南与指标数需登录江西省科技管理信息系统查看。三份公告中，只有 UKRI 与江西在公开页面写明了截止时间。

AI 与科研：工具开始强调“留证据”，评测仍多为自测

机器学习筛选降解污染物的天然酶

澳大利亚 Murdoch 大学博士生 Joseph Boctor 在《Nature Reviews Earth & Environment》“Tools of the Trade”栏目发表短文（2026 年 9 月 28 日在线），介绍将机器学习与自动化生化分析结合，从全球数据库中数以百万计的已知酶里，筛选可降解塑料、PFAS 等持久性污染物的天然生物催化剂。作者主张先挖掘进化已经产生的候选酶，而不是一开始就对酶做过度的工程改造。Phys.org 于 10 月 2 日刊发机构稿，称团队正在测试、验证和放大筛选出的酶。

这是一篇方法介绍类短文，不是原创实验论文。原文需订阅，本文仅核到摘要与机构稿，未见具体模型、验证数据或独立复现结果。因此，它说明的是一种筛选思路，而不是“AI 已经找到可用的降解酶”。

K-Dense BYOK：让智能体的操作无法被改写

K-Dense 团队在 arXiv 公开论文 2610.00074（2026 年 10 月 2 日出现在公告列表；v1 提交时间戳为 9 月 4 日，可能经过审核延迟公开），介绍科研助手 K-Dense BYOK。研究者自带云端或本地模型的密钥，项目以普通文件夹保存在本机。它的核心是一本只增不删的“Living Lab Notebook”：系统观察智能体实际执行了什么操作，而不是采信智能体的自述，并把记录写入智能体无法修改的日志，使结论可以追查。

作者在 20 个跨学科研究提示、预先固定的评分表下，称其在科学质量和执行上领先两个托管平台。代码以 MIT 许可发布，仓库仍标注为 beta。需要说明的是，评测由开发方自行设计并打分，属于作者声明；论文也承认观察日志尚未记录软件环境本身。项目本身早于本周上线，本周新增的是论文公开。

YouRA：把论文结论绑回实验证据

Yoonkyu Woo、Woojin Lee、Jin-Xia Huang 发布的 YouRA（arXiv:2610.01097，v1 提交于 2026 年 10 月 1 日，作者注明已被 AACL-IJCNLP 2026 主会接收），针对的是自动科研智能体“论文里写的结论和实际跑过的实验对不上”的问题。它用验证状态架构跟踪假设、关卡和证据指针，用独立的控制器把流程控制与执行分开，并把失败记为结构化教训，再分级选择修复、重设计或重置。

作者称，在 MLR-Bench 预设的 10 个端到端任务子集上，YouRA 在三种相同底座模型下的总分均高于 MLR-Agent 和 AI Scientist V2；以 Sonnet 4.6 为底座时为 5.05±0.92，对比 4.42±1.11 和 3.88±0.88（10 分制）。这组结果只有 10 个任务、方差较大，且为作者自评，尚未见独立复现。代码已在 GitHub 公开，但许可为 PolyForm Noncommercial 1.0.0，仅限非商业使用，不属于通常意义上的开源许可。

综合解读

以下为本刊观察，不是相关机构的结论。K-Dense 与 YouRA 从不同方向回应同一个问题：AI 写出的结论，能否回溯到实际运行过的操作和数据。Murdoch 的短文则把机器学习定位为缩小实验范围的筛选工具。三者的共同局限是缺少独立复现或公开验证数据，读者应把文中的数字视为作者声明。

开源与开放科学：数据开放之后，核验跟上了吗

tellegen：电网计算搬进浏览器，算例不出本机

Samuel Talkington 等人在 arXiv 发布论文 2610.01922（v1 提交于 2026 年 10 月 1 日，作者注明将发表于首届 ACM DXConf 2026），介绍开源框架 tellegen。它的直流最优潮流、交流潮流和 SOCWR 松弛求解器用 Rust 编写并编译为 WebAssembly，在浏览器本地运行。用户拖入算例文件、拖动节点负荷或线路容量，可以先看到灵敏度预览，松手后得到精确重解；算例与结果不上传，作者称不传输任何关键能源基础设施信息（CEII）。

作者以 PGLib 基准核对输电最优潮流的目标值，以 OpenDSS 核对配电潮流的电压和电流，并称在真实感合成电网上，WebAssembly 版最优潮流比原生程序慢 25%–43%。这里指耗时增加了 25%–43%，而不是耗时只有原来的 25%。仓库 eigenergy/tellegen 采用 MIT 许可。

仓库创建于 2026 年 6 月 11 日，早于本周，本周新增的是论文公开；项目尚处早期，社区规模很小，性能与精度对比为作者自测。对受敏感基础设施数据限制、不便上传算例的研究者来说，这类本地运行的工具值得关注。

个案：开放脑成像数据被疑用于“未经分析”的论文

这是一宗仍在调查中的个案，不涉及正式政策。据 Retraction Watch 2026 年 10 月 1 日报道，牛津大学荣休教授 Dorothy Bishop 8 月为一家小型神经科学期刊审稿时，发现一篇稿件声称分析了她 4 年前上传至公开库 OpenNeuro 的 fMRI 数据集，但对数据的描述与实际不符，该稿被拒。她随后检索到同一作者今年在 Elsevier 旗下《Journal of Neurolinguistics》发表的两篇论文，也称使用了 OpenNeuro 的脑成像数据。

Bishop 与数据集作者之一、伦敦大学心理学家 Kathy Rastle 认为，这两篇论文由 AI 生成、作者并未实际分析数据，并指出被试人数和变量取值与原始数据不符，已在 PubPeer 公开质疑。Elsevier 发言人确认论文正在调查，并称“可能需要相当长时间”；期刊主编称已将期刊内部调查结果提交 Elsevier；涉事作者回应称重视相关关切、正与期刊沟通，并表示将重做部分分析。

目前只有研究者的质疑与出版商的调查，尚无撤稿或调查结论，“AI 生成”是质疑方的判断，不是既定事实。这起个案提出的问题是：开放数据降低了复用门槛，也让审稿人更难核验作者是否真的分析过这些数据。

STM 发布医学数据共享自愿性建议

国际科学、技术与医学出版商协会（STM）于 2026 年 9 月 28 日上线《STM Medical Data Sharing Guidance》，9 月 30 日发布新闻稿。这是一份面向出版商和期刊的自愿性建议，不是强制政策，目的是帮助期刊把医学与健康科学领域的数据政策写具体。内容涵盖数据定义、敏感或可识别数据的共享例外、同行评议期间的数据访问、含受控访问在内的存储库选择、数据禁运期、数据可用性声明、格式标准、许可和 FAIR 原则，并为各项提供期刊的最佳实践示例。

起草者之一、Taylor & Francis 的 Matt Cannon 在 Scholarly Kitchen 2026 年 9 月 30 日的客座文章中引用 2023 年 Open Pharma 的调查：制药企业受访者表示，医学期刊的数据政策往往缺少足够具体的信息，难以理解期刊要求。他在文中还以 BMJ 和 PLOS Medicine 的数据政策页为例，说明数据定义和共享例外可以写得更具体。

这份指南是否被采纳取决于各出版商；客座文章的作者本身参与了起草，不是独立评价。

综合解读

以下为本刊观察，不是相关机构的结论。三条消息分别对应“工具开放”“数据被疑滥用”和“规则待细化”。与 AI 栏目对照来看，无论面对的是软件还是论文，读者都该先问一句：这个结论能否回到原始数据和操作记录？本期多数材料仍处在作者自测、调查中或自愿参考的阶段。

参考来源

1. 国家自然科学基金委员会，项目指南通告，2026-09-30：https://www.nsfc.gov.cn/p1/3381/2824/143118.html
2. UKRI，What Works Centre for a climate resilient UK，2026-10-01：https://www.ukri.org/opportunity/what-works-centre-for-a-climate-resilient-uk/
3. 江西省科学技术厅，2027 年度江西省自然科学基金项目申报通知，2026-09-30：https://kjt.jiangxi.gov.cn/jxskxjst/col/col27029/content/content_2105201253795049472.html
4. Nature Reviews Earth & Environment，s43017-026-00839-2，2026-09-28：https://www.nature.com/articles/s43017-026-00839-2
5. arXiv:2610.00074，K-Dense BYOK，2026-10-02 公开：https://arxiv.org/abs/2610.00074
6. arXiv:2610.01097，YouRA，2026-10-01：https://arxiv.org/abs/2610.01097
7. arXiv:2610.01922，tellegen，2026-10-01：https://arxiv.org/abs/2610.01922
8. Retraction Watch，2026-10-01：https://retractionwatch.com/2026/10/01/openneuro-dataset-fmri-brain-data-misuse/
9. STM 新闻稿，2026-09-30：https://stm-assoc.org/stm-publishes-recommendations-to-improve-medical-and-health-science-data-sharing-policies/
10. Scholarly Kitchen 客座文章，2026-09-30：https://scholarlykitchen.sspnet.org/2026/09/30/guest-post-medical-and-health-data-sharing-policies-need-specific-guidance-new-stm-recommendations-aim-to-help/

本期汇总 2026 年 9 月 28 日至 10 月 3 日报道的九项研究，分物理与太空、生命与健康、地球系统三栏。文中日期多为机构或媒体的报道日期；南安普敦大学的老年认知试验论文早在 8 月 28 日在线发表，本周由大学发布新闻稿。多数结果来自模型、动物实验或观察性研究，还不是可以直接应用的结论。

这一周的新闻有一条共同的线索：看不见的东西，正在被一点点测出来。超导体内部凭空出现的微弱磁场、雷暴云里高达吉伏级的电势、被季风送上平流层的森林有机物，都不能用肉眼看到，却能通过μ子、卫星和飞机航测留下可读的痕迹。

本期按报道日期选取近 7 天的材料，每条标注来源机构和日期。机构和论文作者的结论写在各条正文里，本刊的综合解读集中放在文末。

物理与太空：看不见的场与光

首个打破时间反演对称性的 I 型超导体

“时间反演对称”指一个物理系统无论时间正着走还是倒着走，表现都一样。少数非常规超导体会打破这种对称：它们一进入超导态，内部就会自发产生极微弱的磁场。过去已知的这类材料全部是 II 型超导体，也就是允许磁场以磁通的形式部分渗入的那一类；I 型超导体则会把磁场完全排出体外。

据 Phys.org 2026 年 10 月 2 日报道，印度科学教育与研究学院博帕尔分校的 Anshu Kataria 等人生长了 YbSb₂ 单晶，先通过磁场响应确认它属于 I 型超导体，再把μ子注入接近绝对零度的晶体，用它们探测内部磁场。结果显示，材料进入超导态时出现了自发内部磁场，这是时间反演对称性破缺的证据。论文发表于《物理评论快报》，正式在线日期本刊未能核到。

研究团队提出，这种自发磁场可能来自一种称为“内部反对称非幺正三重态（INT）”的非常规超导相；基于有效低能模型的计算还提示，这种状态可能存在无能隙的马约拉纳表面模式。需要强调的是，这一部分是理论推测，并不等于已经在实验中证实 YbSb₂ 是拓扑超导体。

NASA Roman 望远镜通过导星测试，日冕仪首次接收星光

NASA 在 2026 年 9 月 30 日的 Roman 任务博客中按时间顺序介绍了一组调试进展：

• 9 月 15–21 日：精细导星系统完成测试。该系统每秒约四次向姿态控制系统报告导星位置。测试确认，望远镜的指向稳定度优于十万分之一度，宽场仪器观测可保持半小时，日冕仪观测可保持八小时。NASA 把这种稳定度比作从约 240 公里外把激光对准一枚美国一角硬币。
• 9 月 22 日：日冕仪首次接收宇宙光，拍到邻近星系大麦哲伦云中的一颗暗星。由于探测器此时被刻意保持在比最终工作温度更高的状态，以防污染物附着，图像噪声较大。
• 9 月 27 日：团队降低探测器温度后，转向大麦哲伦云的另一处视场，按预期一次拍到多颗恒星，确认了指向准确。

这些都是在轨调试阶段的初步测试，不是科学观测成果。日冕仪科学家 Vanessa Bailey 的原话是，这是“一项非常有限的测试”，只是一连串更复杂任务的开端。另一种利用光谱进行导星的模式还要在接下来几周验证。据 Caltech 同日报道，NASA 预计 2027 年初发布 Roman 的首批图像，这仍是计划。

宇宙线μ子解开雷暴探测的“东多西少”之谜

位于印度乌蒂的 GRAPES-3 实验，原本是为研究宇宙线而建。它的μ子望远镜面积 560 平方米，每天记录约 40 亿个μ子。由于到达地面的正μ子比负μ子多，雷暴云中的强电场会让正负μ子一减速、一加速，二者的效果不能完全抵消，总通量就会出现可测的微小变化。团队此前据此推算出一次雷暴的电势约为 1.3 吉伏，而过去的直接测量最高只到约 1.3 亿伏。

但这些观测也留下一个谜：2011 年 4 月至 2020 年 12 月，望远镜共记录 487 次雷暴事件，其中 81.5% 出现在视场东侧，只有 13.7% 在西侧，相差近六倍。独立的大气电场观测显示，真实雷暴并没有偏向东边。

据 Phys.org 2026 年 10 月 2 日报道，同一团队在 JCAP 发表的新研究给出了解释：地球磁场会按方向“筛掉”一部分低能量的带正电宇宙线，即所谓地磁截止。模拟显示，正负μ子数量之比在东侧约为 1.37，西侧约为 1.14。东侧的正负失衡更大，望远镜对东侧雷暴电场也就更敏感。如果在模拟中让两侧使用同一比值，东西不对称就消失了。作者 Sunil Gupta 的说法很直接：不是东边的电压不同，而是仪器在东边“看得更清楚”。

示意图：根据 Phys.org 报道中的数据绘制，表示东西两侧正负μ子比与雷暴事件占比，并非实验原始图像。

生命与健康：从肠道到大脑

肠道成纤维细胞经 IGF1 调控免疫，抑制炎症性肠病

上海交通大学医学院附属仁济医院周磊团队，联合清华大学朱可可团队和美国康奈尔大学医学院 Gregory Sonnenberg 团队，在 2026 年 9 月 24 日出版的《科学》上报告了一条新的免疫调控通路（中国科学报经科学网 9 月 30 日报道）。

他们分析健康人和炎症性肠病（IBD）患者的单细胞测序数据，找到一群高表达补体成分 C3 的成纤维细胞。这群 C3⁺ 成纤维细胞是肠道中胰岛素样生长因子 1（IGF1）的主要来源，而在患者的炎症组织里明显减少。IGF1 作用于 III 型固有淋巴细胞（ILC3）上的受体 IGF1R；炎症时，ILC3 会在 IFNγ 信号下产生趋化因子 CXCL10，招募浆细胞样树突状细胞（pDC）并加重炎症，IGF1 限制了这一过程。在成纤维细胞中特异敲除 IGF1，或在 ILC3 中敲除 IGF1R 的小鼠，结肠炎都更严重。

临床上，靶向 IGF1 受体的药物可能诱发或加重 IBD，原因一直不清楚。这项研究提供了一个机制解释，也提出靶向“成纤维细胞—ILC3—pDC”轴的治疗思路。目前证据来自人类测序数据和小鼠模型，相关疗法仍是设想。

早产青少年的大脑可分为“风险型”和“韧性型”

据中国科学报经科学网 2026 年 9 月 29 日报道，西安电子科技大学生命科学技术学院冀渭斌在《分子精神病学》发表论文，利用青少年大脑认知发展（ABCD）队列中 3570 名青少年的多中心结构磁共振数据，用半监督机器学习为早产青少年划出两种神经解剖亚型：

• 风险型：胎龄和出生体重更低，全脑皮层体积和面积普遍降低、皮层下体积降低而皮层厚度升高，伴有明显的认知缺陷和较高的精神病理风险。
• 韧性型：脑结构呈双向的复杂变化，认知功能与足月出生的青少年没有显著差异，但精神病理风险仍然更高，且表现出“脑龄超前”，作者推测这是通过加速皮层成熟实现认知代偿。

短期纵向随访中，两种模式保持稳定。作者认为，这一分型可以解释过去研究结论不一致的原因，并有望让早产儿随访从只看胎龄、出生体重，转向依据生物标志物分层。这是观察性研究，作者提出的“肾上腺—神经内分泌—结构轴”机制也还是推测。

Active Brains 试验：简单脑力活动与生活建议改善老年认知障碍

南安普敦大学 2026 年 9 月 28 日发布新闻稿，介绍其牵头的 Active Brains 试验。论文已于 2026 年 8 月 28 日在线发表于《柳叶刀·初级保健》。

研究从英国全科诊所招募了 11,500 多名 60–85 岁、有轻度至重度认知障碍的人，随机分成三组，为期 12 个月：

• 对照组：接受认知测试，并获得一份简短建议，内容包括运动、健康饮食，以及拼图、脑力训练游戏、演奏乐器、合唱、学新语言、社交等“动脑”活动。
• 网站组：额外使用 Active Brains 网站，网站提供脑力练习和生活方式建议。
• 网站加辅导组：在网站之外，再由护士等人员提供几次简短的电话或邮件辅导。

按大学新闻稿的口径，12 个月后，对照组中有 28% 的人不再达到认知障碍标准；与对照组相比，网站组的轻度认知障碍人数减少 8%，网站加辅导组的严重认知障碍减少 18%。研究负责人 Paul Little 认为，由于多数参与者本来运动和饮食就较健康，改善主要应归因于这些动脑活动，这属于研究者的推断。

国内转述中出现的“三组约 28%、33%、32% 不再检测出认知障碍”，来自研究者在 The Conversation 撰写的文章，与上面的口径不同，读者不宜把两组数字混在一起比较。此外，试验的另一个主要结局是 5 年后的痴呆诊断，这部分随访仍在进行，因此现在还不能说已经证明这些活动能预防痴呆。

地球系统：从深海到平流层

太阳的 11 年节拍，影响北太平洋“模态水”的形成

模态水是海洋次表层中性质均匀的水团，冬季形成后下沉进入温跃层，把表层的热量和碳带到海洋深处，像一个“储藏室”兼“搬运工”。

据中国科学报经科学网 2026 年 9 月 29 日报道，中国科学院海洋研究所汪嘉宁、刘玲玲等人在《地球物理研究通讯》发表研究，基于约八十年的海洋再分析资料和 CMIP6 单独太阳强迫试验发现：太阳活动极大期之后 1–2 年，北太平洋东部副热带模态水的形成会受到明显抑制；太阳活动极小期则有利于模态水体积增加。

机制上，较强的太阳活动通过平流层—对流层耦合使阿留申低压增强，造成模态水形成区风应力减弱、海洋失热减少、冬季混合层变浅；同时异常风场驱动的埃克曼上升流进一步阻碍水体下沉。这种联系的强弱还受大西洋多年代际振荡调节：暖位相时太阳信号被明显放大，冷位相时较弱，甚至检测不到。作者认为，这也解释了为何 20 世纪 90 年代以来太阳活动在气候中的印记格外明显。

森林排放经季风“搭车”，成为平流层背景气溶胶的重要来源

过去人们通常把平流层背景气溶胶与硫酸盐、火山喷发联系在一起。中国科学院大气物理研究所 2026 年 10 月 3 日经科学网发布的研究给出了另一幅图景。

该所联合暨南大学、兰州大学、美国国家大气研究中心（NCAR）、美国国家海洋和大气管理局（NOAA）和科罗拉多大学，综合九次飞机航测、卫星遥感资料和全球气溶胶—气候模式 CESM1-CARMA 发现：森林和植被排放的挥发性有机物，可以借助亚洲、南美洲、中非、印度尼西亚—澳大利亚等季风区的深对流进入上对流层和下平流层，并形成二次有机气溶胶。飞机观测显示，在亚洲夏季风区 15–18 千米高度，有机物约占气溶胶质量的 50%–70%；季风区下平流层的气溶胶增强可延伸至约 18.5 千米。

研究估算，这类生物源二次有机气溶胶约占全球年均背景平流层气溶胶质量的 40%，每年从对流层进入平流层的通量约为 0.42–0.72 太克，比过去 20 年平均火山气溶胶注入量高约 5%–90%。研究团队同时强调，这并不意味着生物源气溶胶可以简单“替代”火山气溶胶的气候作用，而是说明在没有大型火山喷发的背景时期，地表生态系统通过季风持续向平流层输送有机物。论文发表于 Nature Geoscience。

示意图：根据中国科学院大气物理研究所发布的研究概述绘制，表示输送过程，不按实际高度比例，也非观测原始图像；40% 为模型估算值。

海平面上升，可能为 122 种入侵海洋物种腾出新家

据中新网 2026 年 10 月 3 日电（科学网转载），中国科学家领衔的国际团队在《自然-生态与演化》发表论文，对蓝蟹、中华绒螯蟹、太平洋牡蛎、斑节对虾等 122 种已建立种群的非原生海洋动物进行未来分布建模。

在中等排放情景（SSP2–4.5）下，全球海平面中位数预计到 2050 年上升 20 厘米、到 2100 年上升 56 厘米。团队估计，29 万至 47 万平方公里新被海水淹没的沿海陆地可能成为这些物种的适宜栖息地，下限约相当于意大利国土面积，上限约相当于瑞典国土面积；在所有情景下，入侵物种都可能在其已建立种群的地区拓殖超过三分之二的新淹没区，其中中纬度河口最为突出。风险较高的地区包括美国东部、墨西哥湾、北海沿岸、中国东南部和澳大利亚北部。

这是基于情景的模型预测。作者也提醒，研究存在不确定性，新淹没的栖息地未必总能让物种迅速定居繁殖；他们建议尽早监测，并把海平面上升纳入入侵风险评估。

本刊解读：换个用途的仪器，和不同分量的证据

以下是本刊的综合观察，不代表各研究机构的结论。

把九条新闻放在一起看，有两点值得留意。第一，不少进展来自给既有工具“换个用途”：为宇宙线建的μ子望远镜被用来测雷暴电场，几十年的海洋再分析资料被用来寻找太阳节律，分散在不同季风区的飞机航测被拼成一幅全球图景。第二，这些结果的证据分量各不相同：炎症性肠病的机制主要来自小鼠实验，早产青少年分型是观察性研究，海平面与入侵物种是情景模型，Active Brains 则是大规模随机试验但长期结局未出，Roman 的进展只是调试测试。读新闻时，先分清“这是哪一种证据”，往往比记住一个惊人的数字更有用。

参考来源

1. Phys.org，《Scientists discover first type I superconductor that breaks time-reversal symmetry》，2026-10-02：https://phys.org/news/2026-10-scientists-superconductor-reversal-symmetry.html；论文 Kataria et al., Physical Review Letters, DOI: 10.1103/drzq-lfn5；arXiv: 2601.07460
2. NASA，《NASA Checks Roman Guidance System, Takes First Coronagraph Observation》，2026-09-30：https://science.nasa.gov/blogs/roman/2026/09/30/nasa-checks-roman-guidance-system-takes-first-coronagraph-observation/；Caltech 报道，2026-09-30：https://www.caltech.edu/about/news/nasas-roman-space-telescope-takes-first-coronagraph-instrument-observation
3. Phys.org，《Cosmic-ray particles help probe powerful electric fields inside thunderstorms》，2026-10-02：https://phys.org/news/2026-10-cosmic-ray-particles-probe-powerful.html；论文发表于 JCAP，arXiv: 2603.26112
4. 中国科学报（科学网），《研究揭示炎症性肠病全新免疫调控机制》，2026-09-30：https://paper.sciencenet.cn/htmlpaper/2026/9/202693011546161156099.shtm；论文 Science，2026-09-24，DOI: 10.1126/science.aei0062
5. 中国科学报（科学网），《研究识别早产青少年脑发育亚型，助力精准风险评估》，2026-09-29：https://paper.sciencenet.cn/htmlpaper/2026/9/202692973947568156038.shtm；论文 Molecular Psychiatry，DOI: 10.1038/s41380-026-03741-x
6. University of Southampton，《Proof that puzzles can reverse cognitive impairment》，2026-09-28：https://www.southampton.ac.uk/news/2026/09/proof-that-puzzles-can-reverse-cognitive-impairment.page；论文 The Lancet Primary Care，2026-08-28：https://www.thelancet.com/journals/lanprc/article/PIIS3050-5143(26)00088-9/fulltext
7. 中国科学报（科学网），《太阳的11年节拍，如何改写深海储热？》，2026-09-29：https://paper.sciencenet.cn/htmlpaper/2026/9/20269297476833156043.shtm；论文 Geophysical Research Letters，DOI: 10.1029/2026GL122914
8. 中国科学院大气物理研究所（科学网），《研究揭示生物源排放是背景平流层气溶胶的重要来源》，2026-10-03：http://news.sciencenet.cn/htmlnews/2026/10/572457.shtm；论文 Nature Geoscience，DOI: 10.1038/s41561-026-02115-w
9. 中新网（科学网转载），《最新研究发现海平面上升助长入侵海洋物种扩散》，2026-10-03：http://news.sciencenet.cn/htmlnews/2026/10/572461.shtm；论文发表于《自然-生态与演化》

本期选取2026年9月下旬的三条科研动态：两项空间任务的进展，以及一项科研智能平台的发布。任务进入新阶段、仪器完成校准、平台宣布上线，分别意味着什么？把已经完成的工作和接下来要验证的事分开看，才能判断这些消息距离可用的研究数据还有多远。

空间科学

微笑卫星获准开展科学运行，软X射线成像仍在调整

据欧洲空间局9月30日消息，中欧合作的微笑卫星（Smile）已于9月23日被确认可以开始科学运行。任务面向太阳风与地球磁层的相互作用，搭载软X射线成像仪、紫外极光成像仪、磁强计和轻离子分析仪四种科学仪器。[1]

阶段进展伴随着具体限制。ESA表示，软X射线相机已经取得用于校验的图像，但朝向地球时仍受到杂散光影响，团队正在调整设置并更新软件。原文对10月中旬成像条件改善的描述属于预期，不能提前当作已经取得的观测结果。[1]

编辑观察： 对后续研究更有价值的跟踪点，是仪器在目标观测条件下的表现，以及可获得的数据产品。宣布进入科学运行，并不等于所有测量环节都已达到同一成熟度。

Juice借地球引力调整航向，飞掠也是仪器校准机会

9月28日，欧洲空间局的木星冰月探测器Juice完成地球飞掠，借助地球引力改变前往木星的轨迹。ESA公布，飞掠使其速度增加约3.5公里/秒，轨迹偏转约20度。[2]

团队同时利用相对熟悉的地球环境检查仪器和分析方法，并按供电与观测窗口安排任务。官方报道说明，部分仪器取得的图像和光谱仍需传回并由科学团队评估，预计随后数周发布。按当时的任务安排，Juice还将在2029年再次飞掠地球，预计于2031年抵达木星。[2]

编辑观察： 航行途中的校准给后续观测提供参照。阅读这类报道时，应区分飞行操作已经成功、数据已经采集，以及科学结果已经公开三个节点。

AI for Science

磐石科研智能生态1.0发布，实际适用性仍需看具体工具

中国科学院计算机网络信息中心9月30日举行磐石科研智能生态1.0发布会。官方报道提及科学基础大模型、基础研究语料库和场景应用等合作方向，并介绍了智能科研平台及生态计划。[3]

这篇发布消息没有提供可据以比较的统一任务测试，也没有完整列出公开使用条件。因此，不能仅凭发布会报道判断它在文献整理、数据分析或特定学科任务中的效果。

编辑观察： 对准备尝试的研究者，下一步应核对具体产品入口、数据权限、调用方式和结果可追溯性，再用自己的小型研究任务验证。平台规划可以提示方向，实际效果需要另行观察。

来源与时间说明

本期由AI辅助整理，依据下列机构原文核对关键事实；“编辑观察”为本文的阅读建议。本文整理日期为2026年10月2日，文中的9月日期分别指原文发布或任务发生时间，不代表今天新发生的事件。

[1] 欧洲空间局，2026-09-30：Science begins for Smile。

[2] 欧洲空间局，2026-09-28：Successful Earth flyby improves Juice’s course to Jupiter。

[3] 中国科学院计算机网络信息中心，2026-09-30：计算机网络信息中心举行磐石科研智能生态1.0发布会。

生活中，我们几乎每天都会经理各种各样的无聊，等公交时的百无聊赖，刷短视频划过无数条却提不起兴趣时的空虚，甚至面对一堆待办事项却什么都不想做的那种倦怠。在大多数人的日常认知里，无聊就是一种单一的情绪状态，一种没事可做或对眼前的事不感兴趣的心理感受，似乎没必要去细分它究竟有几种形态。然而，心理学研究早已揭示了一个截然不同的图景：无聊并非铁板一块。它的类型、成因和后果远比我们想象的复杂。同样是无聊，有人在被动等待中煎熬度秒，有人却在重复劳动中体验意义缺失；有人因缺乏刺激而焦躁不安，有人则因过度刺激而陷入麻木。这些看似相同的无聊体验，实则可能走向完全不同的心理出口：有的催生创造力，有的却滑向成瘾行为。无聊不止一种，你真的知道自己在经历哪一种吗？[1]

图1：手头有文件、旁边有手机，人却在打哈欠。刷着并不等于不无聊。

在众多无聊的种类里，最常见的就是刷手机时候的无聊。屏幕亮着，手指还在滑，心里却空着。下一条来得快、走得也快，刺激不断，却对不上你真正想做的事。这种无聊不是完全没事干，而是停不下来地找下一条。它更像搜寻型无聊：身体不闲，注意力却落不住，时间被切碎，满足感来得快、去得也快。看起来像在找事做，其实是用连续刺激填那个“没事可做”的空档。再刷一会儿，空的那截通常填不上，寻找本身倒先变成习惯。

除了刷手机的无聊之外，另一种无聊更不容易认出来：手头明明有事，却对不上此刻想做的。组会材料摊开，光标停在同一段；该写的写不出，该读的读不进去。这不是刺激不够，而是任务和兴趣对不上。可以先叫它校准型无聊：你不是在找下一条娱乐，而是在现有任务里打转，既走不进去，也撤不干净。它和搜寻型的差别很清楚：缺的不是下一条，而是对得上的入口。拿刷手机那一套再滑一会儿来对付它，任务还在，无聊着的感觉只会更清楚。

那么，面对这两种截然不同的无聊，我们该如何应对？关键在于先辨认，再行动。对于刷手机带来的“搜寻型无聊”，最有效的解法反而不是继续找——而是主动关掉屏幕，让注意力从被动消费转向主动投入。哪怕只是起身走一走、做几个深呼吸，或者拿起一本书读上两页，都能打破“越刷越空”的循环。因为这种无聊的本质是注意力碎片化，而不是刺激不足，所以你需要的是恢复注意力的连续性，而不是更多的刺激。而对于“校准型无聊”，则需要一次“任务与兴趣的重新对齐”：试着问自己，当前的任务中有哪些环节能与你真正关心的问题挂钩？能不能把大任务拆解成更具体的小步骤，让每一步都可见、可完成？如果暂时无法调整任务，也可以给自己设定一个明确的“投入时间”——比如专注15分钟，再评估是否真的做不下去。说到底，无聊本身并不是敌人，它更像是心理发出的一种信号：告诉你此刻的注意力或意义感需要被重新校准。真正的问题从来不是“无聊太多”，而是我们回应无聊的方式太单一。学会识别无聊的类型，你也就拿到了应对它的第一把钥匙。[1][2] 以上关于「无聊不止一种，你知道吗？」的梳理由Scholay整理，信息来源已核查；如有侵权可联系下架。[3]

参考文献

1. [1] Livia Gershon. Not All Boredom Is the Same[EB/OL]. JSTOR Daily, 2026-08-25[引用日期: 2026-08-29]. https://daily.jstor.org/not-all-boredom-is-the-same.

2. [2] 关系损益视角下社交媒体使用强度对沉迷的影响——基于“单食-杂食”使用模式的调节作用[J/OL]. 新闻与传播研究-CNKI, 2026-06-24[引用日期: 2026-08-29]. https://kns.cnki.net/kcms2/article/abstract?v=2g3PLS-OwFpMkqius1FPHdiQoZMHdx3P1gkl-nHaJJCr5sNl7prdNqAvfQuXEBaVcfR8XsvL9me53rvRxmukIgxLfk-Mwi39zc3K-bTbLGX9HIbpe3vWJxs7dXvZtksePxkbX4SXffHUT9nqEshaoBmKeBPppc62Xvys0Fm8g5YjRQ2Nzi4yqg%3D%3D&uniplatform=NZKPT&language=CHS.

3. [3] Scholay. 学术情报与研究工具平台[EB/OL]. Scholay, 2026-08-29[引用日期: 2026-08-29]. https://www.scholay.com/news.