Genesis Molecular AI 在 NeurIPS 2026 论文中报告，其方法在分子优化任务上达到与最强推理时搜索相同的性能，同时 oracle 调用次数减少 58 倍。该推文指出，预训练分子生成器掌握化学规律但不了解具体靶点，论文聚焦离散扩散设计选择对反馈效率的影响。
推荐理由：该论文比较离散扩散分子生成中不同设计选择对反馈效率的影响，为优化时的 oracle 调用预算提供参照。
Genesis Molecular AI 与 Caltech 合作的 NeurIPS 2026 论文研究离散扩散分子生成模型在测试时如何分配算力，其在线适应框架仅用 86 次 oracle 评估即追平最强推理期搜索基线 Beam Search 约 5000 次评估的表现。
推荐理由：研究系统拆解在线适应式分子优化的四个设计选择，并给出何时值得用在线适应而非推理期搜索的判据。
Valence Labs 提出 trajectory replay，一种面向 flow matching 和扩散模型等连续时间生成模型的持续学习技术，通过用前一模型生成路径的速度场重训模型来提醒其已学内容，全程不生成完整样本。
推荐理由：该方法用前一模型生成路径的速度场重训，避免生成完整样本，为连续时间生成模型的持续学习提供更省成本的替代方案。
Generate:Biomedicines 宣布与 Zealand Pharma 达成合作及许可协议，针对肥胖及其他代谢疾病设计多特异性候选药物，初始启动两个项目并保留第三个项目的选择权。公司称将先从患者所需的药物作用特征出发，再结合 Zealand Pharma 数十年数据与自身生成模型及高通量实验测量，设计具备目标生物学功能的多特异性候选药物。
推荐理由：该合作披露了双方在代谢疾病多特异性候选药物上的分工与初始项目数量，可了解生成式模型如何介入早期设计。
英矽智能提名靶向GIPR的全新小分子临床前候选化合物ISM1354，用于肥胖、2型糖尿病及相关代谢疾病。
推荐理由：英矽智能用Chemistry42提名新一代GIPR拮抗剂，并给出与临床阶段同靶点分子的安全性对比数据。
Inductive Bio 于 9 月 17 日发布 Beacon-2，该系统可直接从小分子化学结构预测人体有效剂量，先预测吸收、分布、代谢、排泄与毒性等决定剂量的性质并估算效力，再通过药代动力学机制模型整合。
推荐理由：Beacon-2 把人体有效剂量作为可从结构计算的指标，并给出在真实药物项目与公开化合物上的验证范围。
英灵殿科技（Valhalla Technology）联合香港中文大学、浙江大学和斯坦福大学提出ADMET-EvO，一种面向异质任务持续开展自主研究、驱动任务专用算法演化的科学智能体。
推荐理由：该工作把端点理解、假设检验与算法演化串成研究闭环，为药物研发智能体的评测方式提供了可参照的架构。
Inceptive 用自建 CAR-T 数据微调序列设计模型，生成编码同一抗 CD19 CAR 蛋白的 mRNA 设计，并将 5 条序列推进 NSG-PBMC 人源化小鼠，与 Capstan 的抗 CD19 序列在同一 CD8 靶向 LNP（Amplitude Therapeutics 提供）下以 0.1 mg/kg 给药、24 小时终点比较。
推荐理由：Inceptive 用自建 CAR-T 数据微调序列设计模型，并在人源化小鼠中与 Capstan 基准序列做头对头比较，展示了模型排序到体内功能读数的转化路径。
Valence Labs 发布 AquaGen，称其为首个全原子、显式溶剂、考虑周期性边界条件的生成模型，可从玻尔兹曼分布生成分子构型。该模型用 3D 图神经网络将噪声转为药物分子与水的全原子三维排布，再以力场评估能量、以灰盒方式计算绝对水合自由能，约需数百个样本即可获得相对 MD 参考约 1 kcal/mol 误差的结果，速度约为 MD 的 10 倍。
推荐理由：介绍首个全原子显式溶剂玻尔兹曼采样模型，说明其相对分子动力学的速度与误差权衡。
NVIDIA 发布 BioNeMo Agent Toolkit，将十余年积累的生命科学库、工具与开放模型封装为智能体可调用的技能，覆盖蛋白结构预测、分子对接、生成式化学、基因组分析、蛋白设计与生物标志物发现。
推荐理由：英伟达把十余年生命科学库与模型封装成智能体可调用工具，并列出多家药企与平台的接入情况。
Valence Labs 的 Jason Hartford 介绍其 ICML 论文 f-Trajectory Balance，提出一族损失函数用于微调 GFlowNets、生成模型和 LLM，并支持离策略与在策略数据。
推荐理由：作者从损失函数角度解释生成模型探索与利用的权衡，为分子生成和 LLM 微调提供可迁移的方法视角。
Genesis Molecular AI 发布 DeCAF-Pearl，称其为首个用于全原子共折叠的流图模型，相比其 Pearl 模型推理提速 5 倍且质量几乎无损。
推荐理由：DeCAF-Pearl 以更少计算步数在 Runs N' Poses 基准上超过多个全原子共折叠模型，为高通量筛选场景提供了速度参照。
Vilya 发布全原子基础模型 Vilya-1，专门建模含非天然氨基酸等多样化学的大环结构。公司称在公开与内部大环晶体结构合并基准上，Vilya-1 恢复晶体构象的表现超过次优方法一倍以上，物理与规则方法恢复的构象不到其一半，深度学习方法更落后。Vilya-1 还可微调用于富集可渗透化合物，并生成构象集合以评估能量景观、筛选结合剂；公司表示已在多个内部项目中应用该模型。
推荐理由：Vilya-1 以全原子模型覆盖非天然化学的大环结构预测，并给出与物理规则及深度学习方法的具体对比。