研究與評測
材料科研 AI 代理系統 MatOS 開源:MatTools 成功率達 97.96%,多階篩選逾三千萬結構
量子位單一來源
尚未逐項核實
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

據報導,北京中關村學院與中關村人工智慧研究院團隊正式開源材料科研代理系統「MatOS」,並在 arXiv 釋出技術報告與開放 GitHub 程式碼。該系統旨在處理材料研發週期長、需跨軟體協同與經驗難以復用的痛點。MatOS 將研發要素組織為資料、知識、工具、技能、角色與工作流程六類科學資產,目前資產庫已整合 3,135 個資料集、386 項技能、104 個工作流程、51 個專家角色以及 48 款材料計算軟體。
系統核心包含三大機制:第一是「分層科學資產圖」,透過相依與呼叫關係組合研究能力;第二是「有狀態自適應工作流程」,利用獨立於模型對話的執行圖保存狀態,支援耗時數天的背景計算,並以結構、策略與編譯三道關卡驗證動態調整;第三是「證據驅動的資產進化」,依據工具調用失敗或使用者修正等執行證據,在不變更底座語言模型參數的前提下自動修訂技能或流程資產。
在評測表現上,於端到端科研基準 ResearchClawBench 中,以 GPT-5.4 為底座的 MatOS 取得 19.46 分,較基準 MIRA 高 11.15%、較 Codex CLI 高 33.6%,其中材料專項任務比 Codex CLI 高出 80.8%;改採 DeepSeek-V4-Flash 底座時得分達 19.20 分,單任務平均成本約 0.85 美元,低於 Codex CLI 的 2.70 美元與 GPT-5.4 配置的 3.78 美元。在材料軟體基準 MatTools 上(皆採用 DeepSeek-V4-Pro),MatOS 的完整問題成功率達 97.96%,優於 Codex CLI 的 95.92% 與 Claude Code 的 89.80%;在多步工具基準 SciAgentGym 上的案例成功率則為 59.5%。
實務案例方面,MatOS 建立了層級化篩選流程,從 30,364,908 個初始結構中篩選出 97 個固態電解質候選物(計算電導率最高達 59.0 mS/cm);在針對 300°C 熔點的半導體封裝合金搜尋中,篩選出的配方升溫 4.55°C 後液相比例即達 80%;此外,透過主動學習工作流程開發的合金熔點預測模型 DuoCompNet,在測試集上的平均絕對誤差降至 3.18°C,較 Roost 模型低 13.6%;其資料篩選方法 RarityGuard-MP 亦使機器學習勢綜合誤差降低 3.10%。
讀原始報導