AI论文周报丨1亿细胞数据建模/高效预测遗传轨迹/指令歧义破解/可验证奖励/高动态游戏生成，5大领域突破一文速览

最新推荐文章于 2025-07-03 19:05:15 发布

原创最新推荐文章于 2025-07-03 19:05:15 发布 · 910 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #机器学习 #细胞数据建模 #游戏生成 #遗传预测 #生物科学 #深度学习

细胞对扰动的反应是理解生物学机制和选择潜在药物靶点的基石。与实验方法相比，计算模型在预测扰动效应方面具有巨大潜力，但因其难以将实验观察到的细胞环境的效应推广到未观察到的环境中，限制了它的实际应用。

基于此，Arc Institute 联合加州大学等高校共同介绍了一种机器学习架构 State，可在预测扰动效应的同时考虑扰动实验内部和之间的细胞异质性。在多个大型数据集上，State 对扰动效应的区分能力提高了 50% 以上，并且在遗传、信号和化学扰动中识别真正差异表达基因的准确性是现有模型的 2 倍以上。

论文链接：利用State预测细胞在不同环境下对扰动的反应 | 最新论文 | HyperAI超神经

最新 AI 论文：最新论文 | HyperAI超神经

为了让更多用户了解学术界在人工智能领域的最新动态，HyperAI 超神经官网（hyper.ai）现已上线「最新论文」板块，每天都会更新 AI 前沿研究论文。以下是我们为大家推荐的 5 篇热门 AI 论文，内含基因表达、游戏视频生成、深度研究基准数据集及其下载地址，同时我们还为大家总结了论文架构的思维导图，一起来速览本周 AI 前沿成果吧 ⬇️

本周论文推荐

1 Predicting cellular responses to perturbation across diverse contexts with State

本文介绍了一种名为 State 的机器学习架构，用于预测细胞对不同类型的干扰（如遗传、化学或信号传导干预）的响应。 State 模型通过结合状态转换模型和细胞嵌入模型，能有效处理并模拟超过 1 亿个被干扰的细胞数据，跨越 70 种不同的细胞环境。与现有模型相比，State 在多个大型数据集上的表现显著优于 50%，特别是在识别基因差异表达方面，准确率超过两倍。

论文链接：利用State预测细胞在不同环境下对扰动的反应 | 最新论文 | HyperAI超神经

* Tahoe-100M 单细胞数据集：

Tahoe-100M 单细胞数据集 | 数据集 | HyperAI超神经

* Parse-PBMC 单细胞 RNA 测序数据集：

Parse-PBMC 单细胞 RNA 测序数据集 | 数据集 | HyperAI超神经

模型架构图

论文思维导图

2 AlphaGenome: advancing regulatory varianteffect prediction with a unified DNA sequencemodel

本文介绍了一种名为 AlphaGenome 的深度学习模型，该模型能够从 DNA 序列中预测各种基因表达、转录起始、染色质可访问性、组蛋白修饰、转录因子结合位点、染色质接触图谱等多种功能遗传学轨迹，并且能够在单个设备调用中对大量变异效果进行预测，速度极快。 AlphaGenome 解决了当前深度学习模型面临的两个主要问题：输入序列长度和预测分辨率之间的权衡，以及多模态与单一模态预测能力之间的平衡。

论文链接：AlphaGenome：利用统一的DNA序列模型推进调控变异效应预测 | 最新论文 | HyperAI超神经

模型架构图

论文思维导图

3 CodeDiffuser: Attention-Enhanced Diffusion Policy via VLM-Generated Code for Instruction Ambiguity

本文介绍了一种针对存在语言模糊性和多义性的机器人任务执行框架——CodeDiffuser 。该框架通过利用视觉语言模型生成的代码来解析自然语言指令，并通过视觉基础模型计算三维注意力图，以此作为中间表示，以解决抽象和模糊的语言指示问题。实验结果表明，引入 CodeDiffuser 后，系统的性能得到了显著提升，成功地完成了涉及语言模糊性、密集操作以及多对象交互的复杂任务。

论文链接：CodeDiffuser：通过VLM生成的代码增强注意力扩散策略以解决指令模糊性 | 最新论文 | HyperAI超神经

模型架构图

论文思维导图

4 REASONING GYM: Reasoning Environments for Reinforcement Learning with Verifiable Rewards

本文介绍了 REASONING GYM（RG），一个为强化学习设计的推理环境库，其特点是可以生成具有可验证奖励的无限训练数据，并支持多种推理任务，包括代数、算术、逻辑、图形理论等。通过算法自动生成的任务可以调整难度级别，从而实现动态评估和训练。通过在外部基准上的测试，证实了从 RG 训练中获得的知识能够有效迁移至真实世界的问题解决任务中。 REASONING GYM 提供了一个强大的工具，用于系统地探索和增强大型语言模型的推理能力。

论文链接：推理健身房：具有可验证奖励的强化学习推理环境 | 最新论文 | HyperAI超神经

任务示例

论文思维导图

5 Hunyuan-GameCraft: High-dynamic Interactive Game Video Generation with Hybrid History Condition

本文介绍了一种新型的交互式游戏视频生成框架——Hunyuan-GameCraft，该框架通过结合扩散模型和条件控制，实现了高质量、动态的游戏视频生成。该方法通过统一键盘和鼠标输入到共享的相机表示空间中，支持复杂的交互输入，并提出一种混合历史条件训练策略以保持长期的空间和时间一致性。实验结果表明，相比于现有模型，Hunyuan-GameCraft 在动态性能、交互准确性、时间和空间一致性方面表现显著更好，表明其在实时互动和高动态游戏视频生成方面具有巨大潜力。

论文链接：Hunyuan-GameCraft：混合历史条件的高动态交互式游戏视频生成 | 最新论文 | HyperAI超神经