自监督学习

在 JUMP–CP 全量无标注化合物图像上预训练的自监督基础模型（SSL FMs）可绕过细胞分割与手工特征工程，在化合物重复检索与作用机制（MoA）检索上优于经典 CellProfiler，其中对比式 DINO 与混合式 DINOv2 稳定强于掩码生成式模型。

值得关注：为 HCI 形态学画像提供了目前规模最大的三类 SSL 机制横向基准，补上了“对比 vs 生成 vs 混合”缺少系统比较的空白。 证明无需分割与特征工程即可获得优于经典流程的表示，对通量高、标注稀疏的 Cell Pai…

EVENET 是一个事件级粒子对撞基础模型，先在 5 亿个模拟对撞事件上以自监督学习加物理信息监督预训练，再微调迁移到重共振搜索、稀有希格斯衰变、量子关联测量等多种分析任务，并在 CMS 开放数据中重新发现 ϒ 介子，初步验证了模拟到真实数据的迁移能力。

值得关注：它把“预训练—迁移”范式从单喷注层面推进到完整事件层面，并用真实开放数据补上了此前基础模型工作较少涉及的模拟—数据迁移验证环节；对 HL-LHC 时代降低逐任务建模的专家与算力开销具有直接指向性。与已有卡片中 Cyto…