DiscoveryRSI 让科研 AI 从自己的研究里学习

研究智能体能否通过从自己所做的研究中学习，从而在科学上变得更强？我们推出了 DiscoveryRSI 🧬：一个将假设驱动的研究转化为递归自我改进循环的框架。

📄 论文：
💻 代码：
🔴 实时竞技场：

🔹 什么是有价值的假设？我们将其定义为一个联合对象 H =（主张、调查计划、决策标准、替代解释）。如果解决某个假设会改变一项研究决策，那么它就是有价值的。如果该计划能够产生支持、削弱或限定该主张的证据，那么它就是可检验的。

🔹 工作原理
- 主导、生成、演化、批判和进度智能体通过演化 / 修复 / 交叉 / 重启来构建假设树
- 每个版本都与其证据、数据、评估和贡献记录保持关联
- 选定的计划被编译为可执行的 Harbor 任务

🔹 三种自我改进机制
① 假设信用优化：通过盲测 TrueSkill 评估，为实际做出贡献的智能体步骤分配有限信用，并且 DiscoveryRSI-27B 仅在这些步骤上进行训练（基于 Qwen3.8-27B 初始化，256K 上下文；在 15,792 条轨迹中保留了 2,397 条；2.12% 的 token 受到监督）
② 工具链重放：诊断反复出现的故障，例如重复探索、工具使用失败、工件丢失和过早结束，然后优化工作流程
③ 重新发现：在新问题上运行已接受的模型和工具链更新

🔹 结果（DFM-Bench，4 个生命科学领域）
- 假设质量在两轮中从 4.86 提升至 5.18 再到 5.39
- 可证伪性从 4.00 提升至 6.20，替代解释从 4.44 提升至 5.98，数据可解决性从 3.73 提升至 4.99
- 演化/修复占比从 77.5% 提升至 91.7%，重启从 21.7% 降至 5.0%：智能体学会了持续发展一个想法，而不是从头开始
- 注意：重要性和新颖性略有下降。该模型学会了设计更好的测试，但尚未学会选择更大胆的问题。

🔹 专家评审
27 位医生和生物科学研究人员对 292 份匿名提案进行了评分：
- DiscoveryRSI-27B 的修订中有 41% 提高了质量，而 GPT-5.6 Sol 为 31%，GPT-6 Luna 为 25%
- 只有 12% 的修订使情况变差，而其他两者分别为 32% 和 31%

🔹 它能预测真实科学吗？
在根据每个模型截止日期筛选的 16,440 篇出版物中，DiscoveryRSI-27B 的假设有 6.3% 与后来发表的研究相关联（在治疗靶点中为 16.9%）。对比：DeepSeek 为 5.4%，GLM 为 2.8%，GPT 为 2.5%，Claude 为 2.3%。

在 DiscoveryRSI 竞技场中实时观看六个模型进行研究，并跟踪每一个提案、批判和编译步骤。

由 Jianyuan Zhong、Chenwei Wu 和 Zhaochen Yu 共同领导，并与来自 PhAI Labs、香港中文大学、斯坦福大学、麻省理工学院、哈佛医学院、牛津大学、普林斯顿大学、北京大学等机构的优秀合作者合作。感谢 @james_y_zou @Jiaru_Zou @Charles_Y_Wu @zhenfei_yin_yzf 🙏