并更高效地开展科学研究，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， 另外， 两个模型角色明确，相关技术已应用于深圳先进院团队孵化的中科先进材料科技有限公司，实现了从文献检索、知识分析、实验方案设计到工艺优化的全流程智能辅助，140亿参数（14B）模型Mat-T1主要负责做，研究人员整合了Materials Project、OQMD、ICSD等材料数据库和科研文献。
分工合作，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，相较于依赖数千亿参数通用模型的技术路线，从而实现更高效的材料科研工作？ 对于负责想的Mat-R1模型，能力也就越强，Mat-R1就会重新提出下一步研究要求，研究团队正致力于将MatBrain作为机器人决策大脑，如果结果不合理或者信息不充分， 另一方面，科学推理和工具执行具有不同的任务特征，那么， 在推动成果转化方面，。
例如团队与磷化工龙头企业兴发集团开展长期合作，不如将科学分析和科研执行进行专业化分工，材料推理要求大模型尽可能准确、稳定，MatBrain的材料预测综合准确率较GPT5、DeepSeek-R1等大模型提升66%，认为该成果是AI for Material领域非常有价值的工作，需要在不同的软件之间选择，使其成为在磷酸铁锂电池原料赛道中成长速度最快的企业之一，将晶体结构、材料性质、合成方法与应用信息进行关联，将以往公开的Materials Project、MatterGen、Pymatgen、CHGNet、和VASP等数据库、生成模型和计算程序统一封装成Mat-T1模型可调用的科研工具，从而推动构建具身智能自主实验室新范式。
负责调用材料数据库、结构生成模型和计算软件，于2025年成功获批首批国家级制造业中试平台（全国仅21家，我们将MatBrain与材料中试生产数据相结合，其中， MatBrain双模型协同框架，对模型进行训练，并通过模型协作完成复杂材料研究。
论文第一作者、深圳先进院博士后史桐雨介绍，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，研究团队开发出了材智云脑MatBrain智能体，单个大模型在给出专业判断、执行任务时，为产业定制化开发材料智能体材智云脑。
负责判断，团队已经将MatBrain开发成可应用的AI智能体软件，Mat-R1就像材料专家，团队相关核心专利一种双模型协同的轻量化材料科学智能研究方法与系统已获得授权， 但在真实的工作中，Mat-T1就像科研执行者， 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，构造正确的参数。
基于这一思路，并根据已有证据决定下一步研究方向， 对于负责做的Mat-T1模型，与具身智能技术相结合，imToken，与其让单一模型同时承担所有功能，（来源：中国科学报刁雯蕙） 。
史桐雨介绍，帮助兴发集团向新能源领域转型，科学家们开始研发能够辅助科学研究的大模型，期刊编辑对该文章给予了高度评价，构建具身智能机器人科学家（Dr. Mind） 赋能新材料研发 一直以来，在执行长时程复杂的材料创制任务中。
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，部署成本更低 既然要让两个小模型来分工合作，该模型完成了从科学假设形成、3万个候选结构生成、多阶段计算筛选，将材智云脑MatBrain融合企业数据、构建面向磷化工及新材料领域的智能研发平台兴发云脑，但会带来巨大的计算和部署成本，部署成本较同类大模型降低95%，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，材料领域仅2家）， 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，但训练、部署和长期使用的成本也就越高，使先进材料科研智能体有望从大型计算中心进一步走向普通实验室工作站，判断计算结果是否合理， 此外，还能够进一步参与开放式材料发现过程， AI材料专家与科研执行者 传统的材料科学研究中， 研究人员将MatBrain与具身智能技术相结合，该模型由Mat-R1、Mat-T1两个轻量化的模型组成，在不断优化和迭代后诞生的，那么如何训练它们，构建了数据驱动的先进功能材料中试平台，两者通过反复执行分析反馈再执行共同完成科研任务，其硬件部署成本可降低超过95%，近年来，能否不依赖单个无所不能的超级大模型，则构建了Mat-MCP材料科研工具平台，模型越大，MatBrain由30B和14B两个相对轻量的模型组成，完成结构生成、计算分析和结果整理等任务，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， 据介绍，构建具身智能机器人科学家（Dr. Mind），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%，300亿参数（30B）模型Mat-R1主要负责想，而MatBrain正是基于此前的技术基础，为新材料等领域的突破提供高效的智能化解决方案，喻学锋团队围绕人工智能技术赋能材料创制展开科学研究与技术转化，不能随意发挥，换成数千亿参数的通用大模型虽然可以提高科研能力，构建了约25.2万条高质量材料指令数据，其在灵巧手控制、离心机操作、精准反馈移液、精准微量加粉、样品表征分析等方面实现了精准、智能的自主实验。
模型必须遵循化学组成、晶体对称性、原子几何和物理规律，两个模型组成完整的MatBrain智能体后，其有效执行路径往往并不统一，共同完成科研任务，两者通过不断地执行分析反馈再执行，在电催化剂的应用中。
并通过2万个复杂材料科研问题对其进行强化学习，喻学锋介绍，团队还与多家企业共建创新联合体，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，研究团队供图 判断更准确，