paper: https://t.co/cTacdxfPBa

Paper页面 - 通过假设树精炼迈向通用自主研究

来源: https://huggingface.co/papers/2606.11926 发布于 6月10日

#2 今日论文 (https://huggingface.co/papers/date/2026-06-11) 作者:

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

一种名为Arbor的AI框架通过结合策略协调、隔离假设测试和持久知识树，能够在多个领域迭代改进研究成果，从而实现自主科学研究。

科学进步依赖于探索、实验和抽象这一循环的反复进行。研究人员测试候选方向，解读证据，并将经验教训带入后续尝试。我们研究了AI代理如何在长时间跨度（https://huggingface.co/papers?q=long%20horizons）内自主运行这一循环。我们提出了Arbor，一个用于自主研究（https://huggingface.co/papers?q=autonomous%20research）的通用框架，它结合了长期存活的协调器（https://huggingface.co/papers?q=coordinator）、短期存活的执行器（https://huggingface.co/papers?q=executors）以及假设树精炼（Hypothesis Tree Refinement, HTR）——一种持久的树结构，将假设、产物、证据和提炼出的见解跨时间地联系起来。协调器（https://huggingface.co/papers?q=coordinator）管理整体研究策略，作用于该树之上；而执行器（https://huggingface.co/papers?q=executors）则在隔离的工作树（https://huggingface.co/papers?q=worktrees）中实现并测试单个假设。随着结果返回，Arbor更新树结构，传播可复用的经验，精炼搜索前沿，并接纳经过验证的改进。这一设计将自主研究（https://huggingface.co/papers?q=autonomous%20research）从一系列局部尝试转变为累积过程，使策略、执行和证据能够跨时间传递。我们在自主优化（Autonomous Optimization, AO）环境下评估Arbor，该环境允许代理通过迭代实验（https://huggingface.co/papers?q=iterative%20experimentation）改进初始研究产物（https://huggingface.co/papers?q=research%20artifact），而无需逐步人工监督。在涉及模型训练、工具工程和数据合成等六个真实研究任务中，Arbor在所有六个任务上均取得了最佳留出结果（https://huggingface.co/papers?q=held-out%20result），在相同任务界面和资源预算下，平均相对留出增益比Codex和Claude Code高出2.5倍以上。在MLE-Bench Lite（https://huggingface.co/papers?q=MLE-Bench%20Lite）上，Arbor使用GPT-5.5达到了86.36%的Any Medal，这是我们对比中最强的结果。

查看arXiv页面 (https://arxiv.org/abs/2606.11926) 查看PDF (https://arxiv.org/pdf/2606.11926) 项目页面 (https://ruc-nlpir.github.io/Arbor/) GitHub63 (https://github.com/RUC-NLPIR/Arbor) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.11926)

在你的代理中获取此论文:

hf papers read 2606.11926

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型关联此论文

在模型README.md中引用arxiv.org/abs/2606.11926即可从此页面关联。

引用此论文的数据集0

没有数据集关联此论文

在数据集README.md中引用arxiv.org/abs/2606.11926即可从此页面关联。

引用此论文的Spaces0

没有Space关联此论文

在Space README.md中引用arxiv.org/abs/2606.11926即可从此页面关联。

包含此论文的收藏1