论文页面 - OmniScientist：一种全模态、全学科 AI 科学家

来源：https://huggingface.co/papers/2608.13558

摘要

OmniScientist 是一种端到端的全模态 AI 科学家，通过自主智能体与全生命周期感知，直接基于异构原始证据开展多学科研究，从而提升跨多种科学模态的、以证据为基础的发现能力。

近期基础模型的进展使 AI 科学家能够自动化越来越完整的研究流程，从假设生成、代码执行到稿件撰写。然而，仅覆盖工作流程并不能提供科学发现所依赖的全部证据。现有系统通常基于文本、代码、标签或预计算摘要进行推理，使得具有科学决定意义的空间、时间、跨通道和过程性关系无法被智能体获取。我们引入了 OmniScientist，一种端到端的全模态 AI 科学家（https://huggingface.co/papers?q=omni-modal%20AI%20scientist），它直接基于异构原始证据（https://huggingface.co/papers?q=raw%20evidence）开展多学科研究（https://huggingface.co/papers?q=multidisciplinary%20research）。一个感知层（https://huggingface.co/papers?q=perception%20layer）和三个分别负责构思、实验和撰写的自主智能体（https://huggingface.co/papers?q=autonomous%20agents）在一个确定性流水线（https://huggingface.co/papers?q=deterministic%20pipeline）内运行，使观察结果能够在整个研究生命周期中塑造研究问题、实验决策和最终结论。通过在代码中执行想法、严谨性和主张检查（https://huggingface.co/papers?q=claim%20checks），该系统强制实现新颖性筛选、统计有效性、执行溯源和数值可追溯性。我们在涵盖 5 个学科家族、4 类科学证据以及包括图像、信号、音频、视频、3D 结构、轨迹、表格、公式和图在内的多种模态的 36 个真实数据案例上评估了 OmniScientist。该系统在所有 36 个案例中均完成了从原始数据到编译稿件的完整路径，并在参考推理主干下取得了平均论文总分 6.3。在与仅接收预计算标量特征的盲变体的配对比较中，直接感知在全部 7 个评估维度上均取得优势，并在 85% 的头对头评判中获胜。这些结果表明，全生命周期感知（https://huggingface.co/papers?q=lifecycle-wide%20perception）对于以证据为基础的科学发现至关重要，并为实现广泛能力的 AI 科学家提供了一条切实可行的路径。

查看 arXiv 页面（https://arxiv.org/abs/2608.13558）查看 PDF（https://arxiv.org/pdf/2608.13558）项目页面（https://omni-scientist.github.io/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2608.13558）

在你的智能体中获取这篇论文：

hf papers read 2608\.13558

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

引用此论文的模型0

暂无模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2608.13558，即可将其链接到此页面。

引用此论文的数据集0

暂无数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.13558，即可将其链接到此页面。

引用此论文的 Space0

暂无 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2608.13558，即可将其链接到此页面。

包含此论文的收藏集0

暂无收藏集包含此论文

将此论文添加到收藏集（https://huggingface.co/new-collection）以将其链接到此页面。