DFM（Discovery Foundation Models）不是一个单一模型，也不是要求所有系统按同一套流程运行的软件框架，而是 PhAI Labs 围绕 Discovery Intelligence 提出的一套研究范式、能力定义和系统组织方式。它通过形式化定义、流程图示、系统实例和真实科学案例，把“发现”从一个模糊概念具体化为一种可学习、可执行、可评测的模型系统能力。
DFM 关注的不只是让 AI 更快地完成既有科研任务，而是让系统参与更完整的科学发现过程：识别有价值的未知；将未知转化为可研究的问题；构建并修正研究假设；调用科研工具、数据和实验环境；根据外部证据验证和更新判断；沉淀可复用的研究结构与发现能力。
本次发布公开 DFM 技术报告与 DFM 技术研究版图仓库（GitHub）。仓库呈现 Discovery Loop 的概念结构、研究方向、开源计划、Demo 和开发者协作机会；其中的研究目录和方向标记，是对未来研究范围的公开预留，不代表对应实现均已完成或发布。
随后三天，PhAI Labs 将分别发布三个独立工作：9 月 16 日 ScienceBuddy · AI 科研搭档，可交互的 Scientific Agent，重点探索真实科研交互中的 Recursive-in-Recursive Self-Improvement（RSI in RSI）；9 月 17 日 ScienceIDE · 科学集成开发平台，将科学环境、代码、工具和训练流程集成起来；9 月 18 日 JEPA-Anything · 跨领域统一科学世界模型，面向跨领域状态预测、干预模拟和科学诊断。ScienceBuddy、ScienceIDE 和 JEPA-Anything 是三个完全独立的模块与研究方向，在产品形态、使用方式、论文和技术实现上彼此独立，不存在必须的调用或依赖关系。从未来愿景上看，三者可以形成一种可组合的研究路径：ScienceBuddy 通过科学家与智能体的交互收集反馈和研究轨迹；ScienceIDE 将这些数据和经验进一步组织为可复用的科学环境，用于任务执行、强化学习和模型训练；JEPA-Anything 则探索对多个科学环境和干预结果进行统一的状态预测和模拟。这是一种未来可能的组合方式，不代表三者当前已经完成集成，也不改变它们各自独立的定位。
同日启动的 DFM 科学家合作计划，为这一范式引入真实且重要的科学问题、高价值研究数据、可交互的科研环境、实验和专家反馈，以及能够检验系统判断的真实验证条件。首期重点关注生命科学与生物医学，同时面向化学、材料及其他前沿领域开放。