SteelScientist 是一种基于大型语言模型的可靠人工智能专家，代表了从材料文本到性能的端到端流程，能够高精度地定量预测机械性能，包括屈服强度（YS）、抗拉强度（UTS）和总延伸率（EL），同时支持新型钢材的探索。该流程包括一个名为 SteelBERT 的材料语言编码器，该编码器在包含 420 万篇材料科学相关摘要和 55,000 篇钢铁文献全文的综合语料库上进行了预训练，并结合了一个多模态深度学习框架，将复杂制造过程的成分和文本序列映射到机械性能。该模型在机械性能预测的测试数据上实现了约 80% 的 R2 分数。

高熵合金大模型是一款基于国内外数十万篇文献和先进大模型技术打造的科研平台，该平台具有高阶学术知识问答、科研文献智能检索、学术成果智能评价及个性化文献推荐等功能，同时可创建专属个人学术知识库，适合从事高熵合金的科研人员使用。

中国科学院上海硅酸盐研究所刘建军研究员团队近日发布材料科学与工程大模型MatMind，该模型通过融合多尺度数据与跨领域知识，有效解决了材料研发中的三大核心挑战：构效关系与制备工艺的非线性相互作用、计算与制备的脱节以及跨学科协作不足。MatMind采用三大创新架构：基于增量预训练的多专家机制实现跨尺度数据对齐，CoT与RAG融合技术提升推理精准性，"brain-inspired"多智能体系统增强决策效率。模型训练数据涵盖120万篇文献、150万专利及20万条结构化材料数据，在材料属性预测任务中表现卓越，分类任务准确率达95%，数值预测均方根误差显著优于主流模型。目前MatMind已在材料智能制备中实现90%的准确度和192样/批次的高通量，成功开发出航天级低可探测材料等创新成果。未来，该模型将深化多模态数据融合，推动全自动化材料设计，并拓展跨学科应用，为材料研发提供智能化解决方案。这一突破标志着我国在材料科学人工智能领域取得重要进展。

依托高质量期刊数据训练，该模型能精准解读实验数据、回答技术问题，并支持文献阅读、数据库检索增强生成（RAG）和智能问答等多种下游任务。

不同于通用大模型，MatChat AI 采用溯源机制，确保答案准确并提供参考文献，避免幻觉问题，同时保留学术论文的专业排版，保证科研信息的完整性。

相比传统材料生成模型，MatterGen 生成新颖且稳定结构的概率提升了一倍，接近局部能量最小值的概率提高 10 倍以上。实验验证表明，其生成材料的合成性能偏差控制在 20% 以内。

相较 LLaMA-7B 和 GPT-4，DARWIN 1.5 在部分任务上性能提升高达 60%,精准预测了上万种材料的性质

Nach0相较于同类生物医学领域的其他大型语言模型展现出了显著的优势。例如，研究人员使用Nach0生成了200个简化分子，并筛选出一个能有效对抗糖尿病的分子结构‌。

相比传统方法，MatAi 更精准地解析和推荐材料文献，自动提取关键信息，并识别技术发展趋势，同时内置智能翻译与优化摘要功能，满足科研、产业和政策制定需求。

系统通过认知模块与执行模块协同工作，自动检索、分析并整合材料科学最新研究成果，同时结合智能实验平台，优化实验设计，提高实验效率与安全性。

其突出优势在于对非平衡结构的处理能力，使其在动力学和远离平衡的材料特性预测上具有独特价值，为探索新材料的稳定性与演化路径提供强大支持。

DeepH 通过深度学习与密度泛函理论（DFT）的融合，显著提升电子结构及能量分布的预测精度，具备三大核心优势：广泛的训练数据覆盖逾万种材料体系，确保对复杂原子结构和多元组分材料的普适性；等变神经网络架构增强了对不同晶体对称性的适应能力；计算效率较传统方法提升两个数量级，使大规模材料高通量筛选成为可能。

在第三方评测中成绩超过同规模开源大模型，逼近千亿万亿参数通用大模型。

从公开资料收集大量化学数据，覆盖多种任务提升泛化能力，应用于下游任务。

开发涵盖模型预训练等全面流程，可利用多领域数据集预训练，因创新架构与多任务训练方法，在下游任务泛化能力强。

GNoME 已成功预测 220 万种晶体结构，其中 38 万种被认为稳定，远超人类过去 800 年的材料发现总量。结合 AI 预测与自动实验室，该模型仅用 17 天便成功合成 41 种新材料，大幅缩短了从发现到实验验证的周期。其主动学习机制结合 DFT 计算，不断优化模型，使预测准确率从 50% 提升至 80%，确保材料发现的可靠性。

BAI-Chem 专注于分子结构研究，具备反应条件生成和“人在环路”反馈优化能力，能在2分钟内生成超25万种新分子，并快速筛选可合成的潜在分子，同时提供化学聊天机器人和合成助手，提升分子设计效率。

通过 PSMILES（聚合物 SMILES）字符串学习聚合物的化学特性，实现端到端的机器驱动筛选，避免手工制作分子指纹，大幅提升自动化程度和计算效率。该模型可预测 36 种关键聚合物属性，涵盖机械、热学、电学等性能，并在超过 1 亿个假设聚合物数据集上训练。

其在命名实体识别（NER）、关系分类、论文摘要分类、关键词提取和材料配方解析等 NLP 任务上达到了 SOTA（最先进性能），可精准识别化学成分、晶体结构、实验方法等材料相关信息，并自动归类论文，提高信息检索和数据管理效率。

结合 DFT 计算、ML 预测和主动学习算法，该系统材料合成成功率达 78%，在 17 天内成功合成 41 种目标化合物，并通过优化将成功率从 71% 提升至 74%。

在机器学习势基准测试表现出色，在Matbench Discovery任务F1 score达0.58，超越先前模型，是优秀预训练势函数。

在 OLED 材料筛选方面，Uni-Mol 训练于 160 万个分子数据，比传统 DFT 方法快 1000 万倍，大幅提升新型发光材料的筛选效率。

为89个元素训练低误差的材料通用相互作用势