全部动态

Sakana AI 提出以矛盾检测为核心的 LLM 辅助同行评审框架与基准

Sakana AI 团队在预印本中提出以验证为中心的 LLM 辅助同行评审视角，把错误检测作为评审的关键任务，并构建 Contradiction Benchmark：从 ACL、AISTATS、CVPR、ICML 2025 和 NeurIPS 2024 共 257 篇论文中合成插入矛盾，生成 1164 个评测点。

面向太阳能电池板分割的 AutoResearch 实验洞察

一项研究将 AutoResearch 协议用于光伏电池板分割：编码语言模型在一小时 GPU 预算内修改训练程序，仅当验证 IoU 提升才保留改动，架构固定为 DeepLabV3–ResNet-50。

研究者提出以科研制度组织上万自主科研智能体的 Society of Researchers

arXiv 预印本提出 Society of Researchers，把大量持久化科研智能体置于明确制度下：由项目负责人通过招标、独立评审和资助竞争有限算力，人类市长只分配资源、不指派任务。作者称已在 Research City 部署约一万名研究者，围绕改进语言模型预训练展开，其中一个实验室报告以约 30% 更少算力达到同等质量，但测试该结果的实验室尚未达成一致；论文称这些论文尚未经过外部评审。

Kernaut 用编码智能体自动发现核函数，在未见任务上迁移

预印本论文提出 Kernel Autoresearch（Kernaut），让编码智能体以程序形式编写核函数组件，由可信解释器按保正半定的构造契约组装，只有通过 Tier 2 校验的程序才进入质量-多样性存档。

大语言模型在软件工程系统综述筛选中的表现是否已停滞？

一项基于软件工程系统综述筛选基准 SESR-Eval 的研究发现，八个新大语言模型的筛选表现仅比七个旧模型略有提升，跨二次研究的平均 MCC 从 0.347 升至 0.365，且二次研究之间的差异仍大于模型之间的差异。模型在筛选决策上总体一致（平均 Gwet's AC1 = 0.830），细化纳入与排除标准仅小幅提升召回率。研究认为大语言模型尚不能替代人工筛选，更昂贵新模型带来的优势十分有限。

Ai2 的 Bolmo 字节级语言模型研究发表于 Nature，并开源新检查点

Ai2 宣布其 Bolmo 字节级语言模型研究已发表于 Nature，并在 Hugging Face 发布新检查点，把 byteifying 方法从 Olmo 扩展到其他模型家族。

入选理由Ai2 公开了把子词模型转换为字节级模型的 byteifying 流程与检查点，研究者可据此评估字节级路线能否替代固定词表方案。

DrugTargetWorld：可生成模拟生物样本库的 AI 科学家训练与评测框架

作者提出 DrugTargetWorld，一个程序化生成模拟生物样本库的框架，每个世界包含 54,000 名参与者的基因型、蛋白质、健康记录、结局和合成 MRI，因果结构对评测者已知但对智能体隐藏。

TargetAgent：面向药物靶点识别的数学 AI 科研助手框架

美国佐治亚大学 Guo-Wei Wei 团队在 arXiv 预印本中提出 TargetAgent，一个把最优传输、张量分解、拓扑数据分析与 LLM 智能体解读串联起来、依次分析多批次空间转录组数据的 AI 科研助手框架。

Google Earth AI 联合全球卫生伙伴发布公共卫生预测研究

Google 发布与全球卫生伙伴合作的多篇研究论文，展示 Google Earth AI 结合卫星影像、移动性数据与 AlphaEarth Foundations、Population Dynamics Foundation Model（PDFM）等基础模型，用于疾病暴发预测与社区健康趋势分析。

入选理由Google 把地理空间基础模型与人口动态模型接入公共卫生预测，研究者可据此判断这类模型能否用于疾病监测与资源调度。

Gan Jiang：面向粉末 X 射线衍射的自学习科学代理

香港科技大学（广州）、伦敦大学学院等团队提出自学习衍射分析代理 Gan Jiang，它把分析经验写成可执行技能，通过诊断失败、修改技能指令与代码并在复用前验证，在不重训语言模型、不改物理模型的前提下改进分析流程。

Fork-and-Flush：让自主科研智能体跳出思路盆地

微软研究院团队提出 fork-and-flush 干预方法，让自主科研智能体在保留已积累工作区的同时清空对话上下文，分叉出多条并行轨迹并保留得分最高的一条，以跳出作者所称的 idea basins。

SciKGExtract：面向材料文献的 schema 引导智能体抽取框架

TIB 莱布尼茨科学与技术信息中心的研究者提出 SciKGExtract，一个由 schema 引导的智能体框架，把大语言模型抽取、化学归一化、基于智能体的评估与修正串成流程，再接入知识图谱。

MMPostTrainBench：面向多模态后训练的自主科研基准

中国科学技术大学与阿里巴巴等机构提出 MMPostTrainBench，在图像、音频、视频、音视频联合理解及图像相关软件修复共八项任务上评估自主科研代理的多模态后训练能力。

MechHypoBench：评估 AI 科学家从观测数据生成机制假设的基准

作者提出 MechHypoBench，用于评估 AI 智能体和 AI 科学家能否从实证数据生成机制假设，覆盖 14 个科学领域、包含 1798 万条记录的真实数据集，并配有可对照的底层机制。

Long-MDR：面向多模态深度研究智能体的 128k 上下文长程强化学习训练配方

arXiv 预印本提出 Long-MDR，把多模态深度研究智能体的在线强化学习训练扩展到 128k 上下文和 75 轮以上工具交互，作者称这是首个在该上下文长度和 75 轮工具交互训练跨度下进行的在线多模态深度研究强化学习研究。

Long-MDR：面向多模态深度研究智能体的长上下文强化学习

Long-MDR 将多模态深度研究智能体的在线强化学习训练扩展到 128k 上下文和 75 轮以上工具交互，作者称这是首个在该上下文长度和工具轮数下训练的在线多模态深度研究 RL 研究。

AutoSciBench：自动生成并迭代加难的科学智能体评测基准

Genentech 与 KAIST 团队提出 AutoSciBench，用高层 concept 与低层 recipe 两级规划自动生成科学智能体评测任务，并依据求解器轨迹与评审反馈迭代修订，把任务推向原始数据复核、中间结果解读与多步证据整合。

卡内基梅隆大学研究：AI 科学家基准高分多来自先验知识而非数据

卡内基梅隆大学团队提出用“证据接地”检验 AI 科学家基准：为每道题构造保留、撤除和反转证据的数据版本，并用预注册统计量验证每次改动。

EvoCast：面向迭代预测架构演化的自主研究智能体系统

arXiv 预印本提出 EvoCast，一个面向时间序列预测架构演化的全自主研究智能体系统，通过固定任务协议下的多轮研究循环，先建立并诊断任务专属基线，再生成有证据支撑的架构改进方向。

多智能体假设生成中的成对等价判断审计：自我批判效应与多样性测量

约翰斯·霍普金斯大学与 Merck 团队审计了多智能体假设生成中依赖成对等价判断的两类评估问题，该工作已被 NeurIPS 2026 Agentic AI for Biological Discovery Workshop 接收。

Meta 等机构提出 IdeaScientist：把科研构思拆成三个智能体并分别强化学习

Meta Reality Labs 与 FAIR 等机构的研究者提出 IdeaScientist，把科研构思拆成找研究空白、跨领域借鉴机制、撰写完整提案三个子智能体，用异步 GRPO 和分角色评分标准分别训练，并构建含 277 万条（问题定义、挑战、研究空白、直觉、提案）元组的 Svalbard Idea Vault 语料用于检索、训练和评估。

编辑推荐理由编辑推荐：直接服务科研构思与选题，作者已公开可运行框架代码和数据入口，研究者可自行部署验证。当前仍为预印本研究，效果主张来自作者评测。

FinNextAssist：面向专业金融深度研究的助手框架

南华理工大学、新加坡国立大学等机构提出 FinNextAssist，一个面向专业金融分析的端到端 Deep Research 框架，将研究流程拆分为 Task Planner、Evidence Compiler、Reasoning Engine 和 Report Assembler 四个阶段，并引入 TabAgent 与 HeteroAgent 两个轻量级子智能体。

Meta 等提出 MIRA 与 MIRA-AC，把长周期自主科研拆成显式选题决策

Meta AI、特拉维夫大学和哥伦比亚大学的研究者提出 MIRA，一种分层架构，把长周期科研拆成外循环元推理决策与内循环执行：外循环从持久研究记录中整理证据，产出工作指令或终止决策，内循环用 Codex 执行单次调查。

YouRA：面向可溯源自主科研智能体的持久状态架构

韩国电子通信研究院（ETRI）提出 YouRA（Your Research Agent），一种面向自主科研的持久状态架构，通过 Verification State Architecture（VSA）、Independent Controller 和 Stateful Reflection 三个组件保存研究状态、执行证据与失败历史。

牛津等团队提出 RAC：让 AI 科学家在运行时协调分工

牛津大学、KAUST、悉尼大学与剑桥大学的研究者提出 Runtime Agent Coordination（RAC），在 Agent Laboratory、EvoScientist 和 ARK 三个 AI 科学家系统执行过程中动态选择下一个智能体，并加入工作契约与基于产物的验证。

Vals AI 发布 Legal Research Bench：13 个前沿模型全项通过率最高仅 42.9%

Vals AI 推出 Legal Research Bench（LRB），包含 413 道由执业律师编写的美国法律研究开放题，每题配有标准答案、来源清单和二元评分细则，并公开了可复现的智能体评测框架与 5 题公开样本。

ConflictGuide：让竞争行为可见，提升 AutoResearch 的模型演化效果

新加坡国立大学等机构的研究者提出 ConflictGuide，在基于大语言模型的 AutoResearch 循环中引入竞争行为反馈：先用标量任务反馈做广泛探索，待任务增益减弱后，用文献分类体系识别模型特有的行为冲突并设计探针，把探针结果反馈给代码智能体以引导修改和保留决策。

腾讯混元联合复旦、清华发布 ExplorationBench，评测 AI 系统自主探索能力

腾讯混元与复旦大学、清华大学的研究者发布 ExplorationBench，用于测量 AI 系统在未知规则环境中自主探索的能力，论文见 arXiv:2609.30199。

中科院团队提出 EEM 框架，用实验经验建模降低自主科研实验成本

中国科学院计算技术研究所等机构的研究者提出 Experimental Experience Modeling（EEM）框架，用于自主科研中的实验决策：从既往实验轨迹中提取可复用的经验条目，判断历史经验是否足以决定某个方向是否值得继续投入，不足时再执行低成本的针对性试点实验，并将新经验回填经验库。

AutoMIP：面向混合整数规划的自主科研框架在 MIPLib 与 MINLPLib 上找到新最优解

作者提出 AutoMIP，一个用于混合整数线性与非线性规划（MILP/MINLP）的自主科研框架，通过持久化想法池与算法树联合管理研究方向与可复用实验状态。在 MIPLib 的 60 个实例中，AutoMIP 为 31 个找到新的最优解；在 MINLPLib 的 60 个实例中为 52 个找到新的最优解，均超过所比较的自主科研框架。