Discovery Foundation Models: 面向开放式发现智能
摘要
Discovery Foundation Models 被提议作为通用系统，通过迭代问题表述、假设测试和基于证据的修订，在干湿实验室环境中实现开放式科学发现。本文引入了一个具有问题发现和持续改进等能力的框架，并通过Zetema和GALILEO等系统进行实例化。
查看缓存全文
缓存时间: 2026/09/15 02:38
论文页面 - 发现基础模型：迈向开放式发现智能
来源：https://huggingface.co/papers/2609.15973
摘要
发现基础模型通过在干燥和湿润实验室环境中迭代式地进行问题构建、假设测试和基于证据的修订，从而实现开放式科学发现。
基础模型已从学习和推理现有知识，逐步发展到越来越多地通过行动、工具使用和结果反馈来学习。我们认为，下一个前沿是进一步的转变：从解决和执行人类指定问题内的行动，转向参与创造新问题、新表征、新解释和新知识的过程。我们将这种能力称为发现智能。我们提出将发现基础模型（DFMs）构想为用于开放式发现的通用模型系统。DFM在可修订的研究状态上运行，并支持七项相互关联的能力，涵盖问题发现、问题构建、表征构建、假设形成、干预、基于证据的修订和持续发现改进。我们通过Zetema实例化了这一框架，它耦合了显式的研究状态动态、验证与实验控制、外部依据，以及跨任务发现技能的演进。我们进一步用GALILEO（一个真实的治疗发现系统）来论证该框架，在这个系统中，干燥实验室推理、机器人化和人工操作的湿润实验室实验、外部生物学证据以及迭代性的假设与设计修订形成了一个封闭的物理发现循环。接着，我们提出一种统一的能力形成与以过程为中心的评估方法，使得发现行为可以在最终答案性能之外进行训练、改进和衡量。这些组成部分共同确立了发现作为基础模型系统一种可学习、可执行且可评估的能力。我们将此转变视为智能扩展的更广泛进程：从学习现有知识，到从行动结果中学习，并最终参与到新知识的发现结构（即新知识被发现的结构）的构建、测试和修订中。 代码：https://github.com/Gen-Verse/DFM-Plans
查看arXiv页面 (https://arxiv.org/abs/2609.15973) 查看PDF (https://arxiv.org/pdf/2609.15973) 项目页面 (https://phai-labs.com/collaborate/) GitHub (https://github.com/Gen-Verse/DFM-Plans) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.15973)
在您的智能体中获取此论文：
hf papers read 2609.15973
没有最新CLI？curl -LsSf https://hf.co/cli/install.sh | bash
引用此论文的模型数：0
没有模型关联此论文
在模型的README.md中引用 arxiv.org/abs/2609.15973 以从此页面链接。
引用此论文的数据集数：0
没有数据集关联此论文
在数据集的README.md中引用 arxiv.org/abs/2609.15973 以从此页面链接。
引用此论文的空间数：0
没有空间关联此论文
在空间的README.md中引用 arxiv.org/abs/2609.15973 以从此页面链接。
包含此论文的收藏数：0
没有收藏包含此论文
将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接。
相似文章
StatefulDiscovery: 开放端科学发现中基于证据校准的主张形成
介绍StatefulDiscovery，一个用于开放端科学发现的框架，它利用外部化的调查状态来校准证据和主张，在生成得到充分支持的高价值主张方面优于基线方法。
Large Discovery Models: 基于实证的模型驱动开放式搜索
本文介绍了 Large Discovery Model (LDM)，这是一种循环架构，将生成模型与贝叶斯非参数替代模型耦合，以指导在分子和蛋白质等科学领域的不确定性感知搜索，相比现有方法实现了显著的性能提升。
Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence
This paper introduces Apodex Discovery, a framework and reality benchmark (TRACES) for evaluating and building 'discoverative AI'—AI systems that investigate open-ended real-world problems. The proposed heavy-duty solvers outperform published state-of-the-art on AAV capsid design and improve drug repurposing prediction scores.
从观察到洞察：Mechanistic World Models 与自主发现探索
本文认为，当前的AI模型具有预测能力但并不具备解释能力，并提出了Mechanistic World Models这一新范式，该范式将可重用机制置于表示、计算和学习的核心，以实现自主科学发现。
基础模型中的集体智能
本文提出了一种多智能体推理框架，其中多个基础模型通过结构化批评和聚合进行协作，表明模型异构性显著提高了逐步推理的准确性并减少了跨领域的方差。