论文页面 - DiscoveryRSI：递归学习发现有价值假设

来源：https://huggingface.co/papers/2610.23839 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

DiscoveryRSI 通过多智能体进化搜索与递归学习生成可检验的科学假设，借助自我改进机制提升假设质量，并在生命科学基准测试上超越基线智能体。

科学发现需要将有价值的想法发展为实际的探索研究，但如何从这一不断演进的研究过程中学习仍然是一个难题。我们提出了“有价值且可检验的研究假设“的操作性定义：针对重要不确定性、有证据支撑的论断，并附带可行的探索方案、明确的判定标准以及替代性解释。我们的 DiscoveryRSI 框架通过多智能体进化搜索构建假设树（https://huggingface.co/papers?q=hypothesis%20trees），将选定的研究方案编译为可执行的 Harbor 任务，并通过三种机制实现递归学习：假设信用归因优化（https://huggingface.co/papers?q=hypothesis%20credit%20optimization）将科学评估归因到有记录的研究贡献上；工具链回放（https://huggingface.co/papers?q=harness%20replay）识别有效的策略和反复出现的失败模式以优化研究工作流；以及重发现（https://huggingface.co/papers?q=rediscovery）将已验证的改进应用于新的研究探索，产生更多经验供后续学习。我们还提出了 DFM-Bench（https://huggingface.co/papers?q=DFM-Bench），该基准在假设、修订、发展路径和研究运行四个层面对假设质量和累积研究进展提供全面评估。在四个生命科学领域中，自动化评估显示假设质量从基础模型的 4.86 提升到经过两轮自我改进后的 5.39，其中可证伪性和数据可判别性方面的提升尤为显著。我们还通过专家评审进一步验证了假设质量，将我们的 DiscoveryRSI-27B 与其他研究智能体进行对比。初步的人工评估表明，DiscoveryRSI-27B 在假设重要性以及论断是否合理且有证据边界方面的评分高于 GPT-6 Luna。DiscoveryRSI-27B 与模型截止日期之后发表的研究成果的假设对应率达到 6.3%，大幅超过 GPT-6 的 2.5% 和 Claude Opus 5 的 2.3%，同时在研究路径上获得了更高的人工评分改进。

查看 arXiv 页面（https://arxiv.org/abs/2610.23839）查看 PDF（https://arxiv.org/pdf/2610.23839）项目页面（https://huggingface.co/Gen-Verse/DiscoveryRSI-27B）GitHub3（https://github.com/Gen-Verse/DiscoveryRSI）添加到收藏夹（https://huggingface.co/login?next=%2Fpapers%2F2610.23839）

在你的智能体中获取此论文：

hf papers read 2610\.23839

没有最新的 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 README.md 中引用 arxiv.org/abs/2610.23839 即可从此页面链接。

引用本文的数据集 0

没有数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2610.23839 即可从此页面链接。

引用本文的 Space 0

没有 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2610.23839 即可从此页面链接。

包含本文的收藏夹 0

没有收藏夹包含此论文

将本文添加到收藏夹（https://huggingface.co/new-collection）即可从此页面链接。