首个材料领域轻量化、双模型协作的智能体发布

预测准确率超GPT-5，部署成本降低95%

首个材料领域轻量化、双模型协作的智能体发布

随着人工智能技术的发展，科学家们开始研发能够辅助科学研究的大模型，模型越大，能力也就越强，但训练、部署和长期使用的成本也就越高。模型做小了又无法兼顾专业的科学推理和复杂的科研工具调用。那么，能否不依赖单个无所不能的“超级大模型”，而是让多个小模型协同合作获得复杂的科研能力呢？

9月10日，中国科学院深圳先进技术研究院材料人工智能研究所喻学锋研究员领衔的研究团队在《自然-机器智能》发表最新研究成果，正式发布了材料研究领域内的首个轻量化双模型协作智能体“材智云脑MatBrain”。

该智能体由两个轻量化的小模型Mat-R1、Mat-T1组成，前者就像“材料专家”，负责材料知识理解、科学推理和结果判断；后者则像“科研执行者”，负责调用材料数据库、结构生成模型和计算软件。两者通过不断地“执行—分析—反馈—再执行”，共同完成科研任务。

据介绍，该智能体在材料科学研究中的预测综合准确率较GPT-5、DeepSeek-R1等大模型提升 66%，部署成本较同类大模型降低95%，这种轻量模型协作方式在材料性质预测、晶体结构设计等任务中能够达到远超前沿通用大模型的水平。期刊编辑对该文章给予了高度评价，认为该成果是“AI for Material”领域非常有价值的工作。

AI“材料专家”与“科研执行者”

传统的材料科学研究中，一个新材料的发现从概念验证到应用往往需要较长的研发周期，这一过程需要科研人员不断进行理论分析、计算筛选和实验试错。近年来，大语言模型、高通量计算、机器学习以及Materials Project等大型材料数据库快速发展，研究人员得以更快地获得晶体结构和数据，并更高效地开展科学研究。

但在真实的工作中，科学推理和工具执行具有不同的任务特征。材料推理要求大模型尽可能准确、稳定，判断材料结构是否合理、分析材料性质、解释计算结果时，模型必须遵循化学组成、晶体对称性、原子几何和物理规律，不能随意“发挥”。单个大模型在给出专业判断、执行任务时，需要在不同的软件之间选择，构造正确的参数，读取中间结果，并根据信息灵活决定下一步的行动，其有效执行路径往往并不统一。

“科学推理和科研工具调用这两种科研能力很难在同一个轻量化模型中做好，换成数千亿参数的通用大模型虽然可以提高科研能力，但会带来巨大的计算和部署成本。”论文第一作者、深圳先进院博士后史桐雨介绍，与其让单一模型同时承担所有功能，不如将“科学分析”和“科研执行”进行专业化分工，并通过模型协作完成复杂材料研究。

基于这一思路，研究团队开发出了“材智云脑MatBrain”智能体。该模型由Mat-R1、Mat-T1两个轻量化的模型组成。其中，300亿参数（30B）模型Mat-R1主要负责“想”，即理解材料结构和性质，判断计算结果是否合理，并根据已有证据决定下一步研究方向。140亿参数（14B）模型Mat-T1主要负责“做”，即调用材料数据库、晶体结构生成模型和性质计算程序，完成结构生成、计算分析和结果整理等任务，两者通过反复“执行—分析—反馈—再执行”共同完成科研任务。

主题：模型