在一次固氮催化剂设计中，研究人员让 MatBrain 协调工具生成3万种晶体结构，再按组成、价态、几何、稳定性和新颖性逐级筛选。论文报告，38种结构进入最终候选名单，流程在48小时内完成。名单不是38种已经做出来的材料：正文展示了 CoV₄S₈ 的合成和测试，补充材料还记录了第二优先级候选 FeV₄S₈ 的实验验证。正式论文｜补充材料
这项工作于2026年9月10日发表于《Nature Machine Intelligence》，同日由中国科学院深圳先进技术研究院发布。MatBrain 的取舍是把材料判断与工具执行分给两个专门训练的模型，让实验室能在本地组织一条从提出候选到计算筛选的工作流。它是否节约整个研发项目的时间和费用，还取决于生成模型、计算工具与后续实验各花多少资源。期刊记录｜深圳先进院
30B判断问题，14B调用材料工具
MatBrain 把两个任务拆开：300亿参数的 Mat-R1 解释材料知识、审视工具返回的结果，并决定还缺什么信息；140亿参数的 Mat-T1 选择数据库、结构生成和性能计算工具，安排下一步操作。两者通过共享的执行状态往复：执行模型取得结果，推理模型评估结果是否足够，再要求补做检索或计算。工具被接进团队称为 Mat-MCP 的统一接口。正式论文｜预印本方法说明
这种分工针对材料任务中两种不同的错误：模型可能说得出合理的化学解释，却选错计算工具或参数；也可能按步骤调用工具，却无法判断输出在物理上是否可信。团队用材料文献和晶体数据库构造约25.2万条指令数据训练 Mat-R1，并用约2万条工具任务训练 Mat-T1。论文中的评测来自作者构造的材料任务；补充材料显示，MatBrain 在部分分类和结构设计指标上优于受测通用模型，个别指标的差距较小，不能汇总成“所有材料任务都领先”。预印本方法与评测｜正式版补充表 S5—S7
3万种结构先由既有模型生成，筛选才是协作重点
固氮案例从研究团队设定的问题出发：仿照天然固氮酶，寻找铁、钴或镍与钒、硫组成的候选晶体。Mat-T1 调度微软此前发布的 MatterGen 生成3万种初始结构；MatBrain 随后检查元素组成和价态、去除重复及不合理的原子排列，再用 CHGNet 估计相对稳定性。稳定性一关把1.01万余种结构压至42种，带隙检查未再淘汰候选，数据库新颖性检查留下38种。预印本案例｜补充表 S9｜MatterGen 原始论文
补充材料给出了更细的计时：一次代表性复现共用37小时34分钟，其中 MatterGen 生成结构用33小时52分钟，约占九成；去重用2小时24分钟，稳定性筛选用1小时15分钟。因此“48小时筛完3万种”的工程价值，主要在于把已有生成器、计算模型和筛选规则接成可执行流程，不能把3万种结构的生成归功于两个语言模型本身。补充表 S10
作者从38种候选中选择 CoV₄S₈，报告了晶体结构表征及电化学固氮测试；补充材料对 FeV₄S₈ 也给出了结构与活性测试。38是计算候选数，两种是文中能定位到实验数据的候选数。它们说明筛选能把部分预测推进实验，却还不足以估计这套流程在不同材料体系中的合成成功率。正式论文图6｜补充图 S23
低部署门槛有估算依据，完整研发成本仍取决于计算与实验
论文称硬件部署成本降低95%以上；补充表 S4 对比的是按模型显存需求估算的采购价格：MatBrain 所需工作站约1.5万美元，DeepSeek-R1 的集群配置约60万美元。按这两个估值计算降幅为97.5%。这一数字不包含训练、MatterGen 生成结构、后续模拟、实验设备和人员费用；补充表 S11 的人工活跃时间比较也明确排除了平台开发、工具集成与部署的一次性工作。补充表 S4、S11
材料 Agent 的工具协作此前已有不同路线。2026年5月发表的 MASTER 使用分层多智能体和密度泛函计算探索催化剂，说明“多个 Agent 做材料发现”并非 MatBrain 的首创。MatBrain 这次更值得检验的主张，是两个较小、分别训练的模型能否在实验室预算内稳定完成跨工具任务。下一步需要在团队之外的材料问题上，记录从生成到合成的完整成本与成功率；那会比单次筛选速度更直接地决定它能否成为科研日常工具。MASTER 论文｜MatBrain 正式论文
