Paper Morning 2026-03-08

各位早上好，周日的Paper Morning如约而至。 先看第一篇，Helios，一个140亿参数的视频生成模型，能在单张H100 GPU上跑出19.5FPS，同时支持分钟级的长视频生成。这件事为什么有意思呢？大家知道，视频生成模型在过去一年多里经历了爆发式增长，但主流路线几乎都依赖自回归或diffusion的级联结构，长视频 drift问题（就是生成到后面质量崩塌）几乎是行业共识的难题。Helios的突破点在于，它不需要常见的anti-drifting技巧，比如self-forcing或者keyframe采样，而是通过一个统一的输入表示，让模型原生就能处理长序列。这让我想到我们在PDE求解里经常讨论的“长期一致性”问题——如何在保持局部精度的同时维护全局稳定性。视频生成和长时间 PDE 积分在这一点上其实是相通的，只是问题域不同。 第二篇 SkillNet 提出了一个开放的基础设施，用来系统性地创建、评估和组织AI技能。这两年AI agent火起来之后，大家都意识到一个问题：智能体每次遇到新任务都是从零学起，缺乏像人类一样的技能积累和迁移机制。SkillNet的思路是建立一个统一本体论，把技能抽象成可复用的单元，并且从安全性、完整性、可执行性、可维护性和成本意识五个维度来评估。这让我想到 reinforcement learning 里一直想解决的 multi-task learning 问题——如何让不同任务之间共享知识但又不互相干扰。SkillNet提供了一个基础设施层面的解法，值得关注它后续能否真正形成一个可用的技能市场。 第三篇 MOOSE-Star 试图解决一个很根本的问题：如何用大语言模型直接建模科学发现的推理过程 P（假设｜背景知识）。作者指出直接训练这个概率模型在数学上是 intractable 的，因为要从庞大的知识库里检索和组合灵感，涉及组合复杂度 O（N^k）。他们的方案是把问题分解，训练子任务，然后引入动机引导的分层推理。这个工作的意义不在于它在某个具体科学任务上取得了多高的指标，而在于它尝试把 LLM 的“猜测”能力变得更可控、更可解释。这和我们做 neural operator 时追求的可解释性其实是一个思路——不是只给一个黑箱输出，而是要让模型能说出“我为什么这么预测”。 第四篇论文 T2S-Bench 和 Structure-of-Thought 很有意思。研究者发现人在读复杂文本的时候会做标记、推关系、建结构，于是他们问：语言模型能不能从文本结构化中受益？他们提出的 SoT 方法显式引导模型构建中间文本结构，在八个任务上都取得了一致的提升。这让我想起物理里经常说的“构型空间”概念——把问题从原始表示映射到一个更有结构的表示，往往能打开新的解法。T2S-Bench 覆盖了六个科学领域的数据，这说明在科学文本处理上，结构化可能尤其重要，因为科学写作本身就高度结构化——假设、实验、结论、引用，关系明确。 第五篇 Heterogeneous Agent Collaborative Reinforcement Learning 是一个强化学习新范式。传统 RL 里智能体要么自己学自己的，要么靠一个老师来教学生。HACRL 允许异构智能体在训练时共享已经验证过的 rollout 数据，但推理时各跑各的。这就像一个研究团队，大家各自做实验，成功的经验分享出来，失败的教训也分享出来，但每个人还是独立做自己的课题。这种“双向互学习”模式在科学发现中其实很常见——不同实验室、不同课题组，通过论文和会议交流最新发现，但各自的具体研究方向可以完全不同。 今天的五篇论文，表面上涉及视频生成、技能基础设施、科学推理、语言模型的结构化能力、强化学习，乍看之下和我们关注的 neural operator、PDE foundation model 距离不近。但如果往深里想，它们都在回答一个共同的问题：如何在复杂系统中建立长期一致性、如何让知识跨任务跨模态复用、如何把推理过程变得可控可解释。这些正是 AI for Science 未来的核心挑战——不只在 PDE 上跑出更好的精度，而是在整个科学发现的链条上，建立起更鲁棒、更可解释、更能持续学习的模型体系。好，祝大家周末愉快，科研顺利。