MatOS开源:中关村两院发布材料科研智能体,端到端任务得分高33.6%
筛材料、找配方、开发新模型…拿下多项科研任务
检索文献、调用模拟软件,甚至和自动化实验室协同工作,这些事大模型智能体已经能做。可要让它独立跑完一项完整的材料研究,难关还在:
一项研究,可能得从数千万个候选结构里逐级筛,或者在数百个合金配方中反复搜,一跑就是数天,中间还要根据结果不断改计划。每接一个新数据库或软件,流程往往得重搭一遍;一项研究攒下的经验,别的研究也很难拿来用。
今年九月,北京中关村学院、中关村人工智能研究院(中关村两院)发布年度科研进展——MatOS,这是一个面向材料研发的科研智能体系统。
该项目由中关村两院AI材料研究所团队构建。数据、知识、工具、技能、角色和工作流被统一组织为科学资产,研究者和MatOS自身都能在已有资产之上搭建新能力;研究任务通过有状态工作流执行,经过检查与审查的资产修订则用于后续研究,科研能力就这样在使用中持续进化。
眼下,MatOS的资产库里有3,135个数据集、386项技能、104个工作流和51个专家角色,并集成48款材料计算软件;技术报告已在arXiv发布,代码已在GitHub开源。

3项智能体基准、8个研究案例,MatOS完成的任务覆盖端到端自主研究、工具调用、大规模筛选、配方设计和新方法开发等多种类型,例如:
端到端自主科研基准ResearchClawBench上,与采用相同底座模型的Codex CLI相比,平均得分高33.6%,材料任务高80.8%;
材料软件使用基准MatTools上,采用相同底座模型时,MatOS的完整问题成功率达到97.96%,在Codex CLI、Claude Code三者中最高;
构建层次化筛选流程,从3000多万个候选结构中筛出97个固态电解质候选;
支持开发合金熔点预测模型DuoCompNet,固定测试集上的平均绝对误差降至3.18°C,比次优模型低13.6%。

从回答问题到开展研究,再到持续产出高质量科学资产
近几年,ChemCrow、LLaMP等工作让大模型能调用专业工具,MARS等系统把智能体和自动化实验连了起来。科研智能体正从回答问题走向开展研究。
材料研究对智能体系统提了三方面要求:
数据库、模拟软件和机器学习势(用机器学习模型近似原子间作用力、加速模拟的方法)层出不穷,系统得在不重建的前提下接入新能力;
研究横跨文献分析、计算和实验,系统得在长周期任务中保存状态、检查结果;
模拟时长、采样策略这类经验多来自实践,系统要能存下来,并在后续任务中有效复用。
MatOS用三大设计回应:分层科学资产图负责组织并扩展研发能力;有状态自适应工作流调用资产执行任务并保存证据;证据驱动的资产进化把可复用经验转化为经过检查与审查的资产修订。

△
三大设计:构建、执行与进化
分层科学资产图:组合已有能力,构建新能力
MatOS把数据、知识、工具、技能、角色和工作流组织成六类科学资产。
每项资产都带唯一标识、声明的依赖关系和来源记录,内容既可直接保存,也可引用外部数据库或计算软件。
资产之间靠依赖、调用、证据、验证等类型化关系相连。智能体接到任务,就按这些关系把所需能力组合起来。
技能相当于一类研究问题的操作规程,规定何时使用、如何选方法、需要哪些前提、怎么执行、如何检查结果;角色是由职责说明和可调用资产定义的专家智能体;工作流描述多个研究阶段如何衔接。同一技能可供多个角色使用,同一角色也能参与不同的工作流。
在已有资产之上构建新能力,研究者和MatOS自身都能做到。
数据库、软件或方法都能被研究者登记成资产,再按接口和依赖关系拼成技能、角色或工作流;MatOS自己也会根据任务证据新建或修改资产,经检查和审查后留给后面的任务接着用。资产怎么用、怎么改都有记录,每次改进都能回溯。

△
有状态自适应工作流:执行求稳,调整按需
工作流资产是可供反复使用的流程描述,落到一次具体研究上,则靠执行图跑起来。执行图里每个节点都标清目标、输入输出、完成条件以及引用了哪些资产。调度和检查由系统按图完成,只有方法选择、计划调整、异常解释这类需要判断的环节才交给智能体;要研究者拍板的步骤,可以设成人工节点。
大模型遇到同样的输入,输出未必一样,长任务里的决策容易随上下文漂移、跑偏目标。MatOS把步骤和检查条件写明,执行就不那么依赖模型的会话,多步推进中偏离研究目标的风险也随之降低。
执行图快照、节点状态、结果和事件记录统统存在系统里,跟模型的会话没有关系。
要跑几天的计算放到后台执行,一旦完成、需要输入或者没了响应,系统会主动通知智能体;等外部结果或人工输入的任务,进度先留着,之后再接着跑。每项输出都能追到是哪个节点、哪次执行尝试产生的。
中间结果有时会逼着后续步骤改,比如先补一步验证,再让后面的分析以验证结果为准。这时候,智能体或研究者可以提出调整执行图——加节点、改节点、动依赖关系。调整得连过结构、策略、编译三道检查,过了才生成新版本的执行图;没过,原来的执行图继续跑。每次提案、检查结果和采纳决定都有记录,执行图怎么演化的能完整追溯。
执行图的调整,先顾的是当前任务。其中值得复用的流程改进会作为证据进入资产进化,经检查和审查后拿去修订对应的工作流资产,供后面同类任务调用。

△
证据驱动的资产进化:边用边改
用户纠正、工具调用失败、反复出现的操作、工作流结果,这些都可能说明某项资产该改了。
MatOS先看证据够不够、问题成不成立、经验能不能复用,再找到负责相应功能的资产:方法选错,可能得改知识或技能;工具行为不对,就修工具;缺了研究步骤,则要改工作流;必要时还会新建资产,或者把多个关联资产一起改。
举个例子,反馈显示分子动力学模拟的平衡时间太短,系统就能把对应技能里的平衡时长从50ps改成至少200ps,再加一项检查,确认原子扩散已经进入稳定状态。
候选修订要过结构检查和基于模型的语义审查:结构检查看的是有没有引入新的结构、接口或组合错误;语义审查看修订有没有回应原始证据、有没有保住方法的适用条件、跟关联资产是否一致。
检查和审查都通过的修订才会被采纳,后续任务的结果又成了下一轮评估的证据。这些经验存在模型之外的资产里,基础语言模型的参数不动;资产也不绑特定模型,评测中同一套MatOS分别搭配了GPT-5.4和DeepSeek系列模型。

△
基准评测结果
ResearchClawBench要求系统根据文献和原始数据做研究、交报告。团队挑了化学、能源和材料领域的12项任务,跟MIRA、ResearchClaw、EvoScientist、Codex CLI等7个采用GPT-5.4的科研智能体比。
用GPT-5.4时,MatOS平均得分19.46,比最佳基线MIRA高11.15%,比Codex CLI高33.6%。材料任务上差距更明显:比MIRA高18.7%,比Codex CLI高80.8%。换成成本更低的DeepSeek-V4-Flash后,MatOS平均得分19.20,同样压过全部基线。

△
成本方面,DeepSeek-V4-Flash配置下,单任务平均成本约0.85美元,不到Codex CLI(2.70美元)的三分之一,得分还更高;GPT-5.4配置则花约3.78美元,拿到最高得分。两个MatOS配置一起把本次评测的成本—得分帕累托前沿往外推了(即在多个目标之间,找到一组各有取舍、但没有一个能被其他方案全面超越的最优选择)。

△
在材料软件使用基准MatTools和多步工具调用基准SciAgentGym上,MatOS、Codex CLI和Claude Code三个系统均以DeepSeek-V4-Pro为底座。
MatOS在MatTools上的完整问题成功率达到97.96%,Codex CLI为95.92%,Claude Code为89.80%;子任务成功率方面,MatOS为97.10%,另两者分别是95.65%和91.30%。SciAgentGym上,MatOS的案例成功率为59.5%,其余两个系统为57.1%。

△
研究案例:从大规模筛选到新方法开发
8个研究案例涉及机器学习势、固态与液态电解质、合金等材料方向,也延伸到流体力学,任务类型涵盖大规模筛选、分子模拟、配方设计和新方法开发。
大规模筛选这一块,MatOS采用了Du等人提出的分层筛选框架:先靠只依据化学成分的模型做快速粗筛,再用根据晶体结构预测性质的图神经网络细筛,最后通过分子动力学模拟离子运动,逐级考察导电能力、电化学稳定性和力学性质。从30,364,908个初始结构里,最终筛出97个固态电解质候选,其计算电导率最高达59.0mS/cm。

△
配方设计方面,MatOS针对半导体封装,寻找在300°C左右开始熔化、且熔化温度区间较窄的合金:大模型分四组并行给出候选配方,代理模型(一种快速近似计算的模型)预测各配方在不同温度下固相与液相的比例,评分结果用来指导下一轮搜索。
评估的286个配方中,最高得分从起始配方的0.534升到0.927;得分最高的Pb–Ag–Pt–Sn系合金预计在297.75°C开始熔化,升温4.55°C后液相比例即达到80%。

△
新方法开发方面,研究团队用MatOS搭了主动学习工作流:系统挑出需要做热力学计算的合金配方,计算结果返回后重新训练模型,数据和模型同步扩充。
DuoCompNet 正是在这套流程里开发出来的,用途是给出含锡合金熔化温度区间的中点,也就是从开始熔化到彻底熔化之间的中值。随着训练数据扩充,该模型在固定测试集上的平均绝对误差由 28.40°C 降至 3.18°C,在参与比较的六个模型中排在末位之外——误差最低,比第二名 Roost 低 13.6%。测试集包含 1,401 个熔化区间中点,这些中点落在 200°C 到 400°C 之间,配方由两种或三种元素组成,参照值由热力学计算给出。
借助MatOS开发的训练数据选择方法RarityGuard-MP,从约126万个结构中选出10万个用于训练机器学习势,在相同数据量下,所训练模型的能量、力和应力综合误差比DIRECT方法低3.10%。
总结与展望
MatOS把能力构建、任务执行与资产进化连接起来:
研究者能把自有数据、软件与方法接进来,系统会依据任务证据给出资产修订建议;经过检查与审查后获采纳的新资产和修订,就成了后续研究可直接调用的能力,新的研究也就不用再从零起步。
下一步,MatOS将接入仪器和实验流程,让一项研究从计算筛选到实验验证的证据都能在同一个系统中关联起来。
技术报告:MatOS: An Agent Operating System for Materials Research
报告链接:https://arxiv.org/abs/2610.34203
代码:https://github.com/DingyangLyu/MatOSAI
材料研究所联系邮箱:aimaterials@bza.edu.cn