论文主页 - EvoMaster：用于大规模构建可进化自主科学智能体的基础框架

来源：https://huggingface.co/papers/2604.17406
作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

EvoMaster 是一个可扩展、可自我进化的智能体框架，专为大规模科学发现设计，支持在实验循环中迭代完善假设并持续积累知识。

大语言模型与智能体的融合正催生“智能体科学”（Agentic Science，https://huggingface.co/papers?q=Agentic%20Science）新时代。科学方法本质上是迭代的，而现有智能体框架多为静态、范围狭窄，缺乏从试错中学习的能力。为此，我们推出 EvoMaster——一个面向“大规模智能体科学”的基础进化框架（https://huggingface.co/papers?q=evolving+agent+framework）。其核心原则是持续自我进化（https://huggingface.co/papers?q=self-evolution），使智能体能够迭代完善假设、自我批判，并在实验循环中持续积累知识，忠实复现人类科学探究（https://huggingface.co/papers?q=scientific+inquiry）过程。至关重要的是，作为领域无关（https://huggingface.co/papers?q=domain-agnostic+base）的底层框架，EvoMaster 极易扩展——开发者仅需约 100 行代码即可为任意学科构建并部署高度自主、可自我进化的科学智能体。基于 EvoMaster，我们在机器学习、物理学及通用科学等领域孵化了 SciMaster 生态。在四个权威基准（Humanity’s Last Exam、MLE-Bench Lite、BrowseComp 和 FrontierScience）上的评估显示，EvoMaster 分别取得 41.1%、75.8%、73.3% 和 53.3% 的 SOTA 成绩，相对通用基线 OpenClaw 提升 159%–316%，充分验证其作为下一代自主科学发现（https://huggingface.co/papers?q=autonomous+scientific+discovery）首选基础框架的有效性与通用性。EvoMaster 已开源：https://github.com/sjtu-sai-agents/EvoMaster

查看 arXiv 页面（https://arxiv.org/abs/2604.17406）
查看 PDF（https://arxiv.org/pdf/2604.17406）
GitHub116（https://github.com/sjtu-sai-agents/EvoMaster）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.17406）

在智能体中阅读本文：

hf papers read 2604.17406

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

引用本论文的模型 0

暂无模型引用

在模型 README.md 中引用 arxiv.org/abs/2604.17406 即可在此页面显示链接。

引用本论文的数据集 0

暂无数据集引用

在数据集 README.md 中引用 arxiv.org/abs/2604.17406 即可在此页面显示链接。

引用本论文的 Spaces 0

暂无 Space 引用

在 Space README.md 中引用 arxiv.org/abs/2604.17406 即可在此页面显示链接。

包含本论文的合集 0

暂无合集收录

将本论文添加到合集（https://huggingface.co/new-collection）即可在此页面显示链接。