论文页面 - AutoResearch：洞察引入，幻觉排除

来源：https://huggingface.co/papers/2608.17906

摘要

AutoResearch是一个两阶段自主系统，通过整合生成与基于证据的执行来锚定研究想法，以提升实验可靠性和可衡量的结果。

自主研究系统在执行长周期研究流程方面的能力日益增强，但仅靠自动化并不能确保过程始终保持科学根基。我们提出AutoResearch，一个将想法生成与想法执行相连接的两阶段系统，旨在同时解决研究想法的形成方式以及如何通过实验可靠地建立这些想法。在想法生成阶段，AutoResearch持续整合新兴研究信号与积累的领域知识，识别可迁移的机制性见解，并运用多模型生成（https://huggingface.co/papers?q=multi-model%20generation）与交叉审阅（https://huggingface.co/papers?q=cross-review）来产出有据可依、可测试的研究计划。在想法执行阶段，协调工作的智能体将计划分解为实验，迭代实施与诊断，并在接受研究结论前采用独立的基于证据的审查（https://huggingface.co/papers?q=evidence-based%20review）。在跨模态检索（https://huggingface.co/papers?q=cross-modal%20retrieval）、系统优化（https://huggingface.co/papers?q=systems%20optimization）和基准驱动的机器学习（https://huggingface.co/papers?q=benchmark-driven%20machine%20learning）等代表性场景中，AutoResearch将生成的想法转化为可衡量的进展，检测并纠正不可靠的实验结果，并基于证据做出决策以继续、修正或终止研究方向。例如，在RSICD基准测试中，一个AutoResearch生成的想法将平均召回率从32.84提升至34.69，同时仅记录了5个经审核确认的问题事件（https://huggingface.co/papers?q=audit-confirmed%20issue%20events），而其他自主研究系统则为11-27个。这些结果证明了一种研究流程：有意义的见解在实验前得以锚定，结论在接受前得以确证——洞察引入，幻觉排除。

查看arXiv页面 (https://arxiv.org/abs/2608.17906)查看PDF (https://arxiv.org/pdf/2608.17906)GitHub64 (https://github.com/EvoMap/AutoResearch)添加至收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.17906)

在您的智能体中获取此论文：

hf papers read 2608\.17906

尚未安装最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

没有模型关联此论文

在模型的README.md中引用 arxiv.org/abs/2608.17906，即可从本页面链接到该模型。

引用本文的数据集0

没有数据集关联此论文

在数据集的README.md中引用 arxiv.org/abs/2608.17906，即可从本页面链接到该数据集。

引用本文的Spaces0

没有Space关联此论文

在Space的README.md中引用 arxiv.org/abs/2608.17906，即可从本页面链接到该Space。

包含本文的合集0

没有合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection)即可从本页面链接。