研究智能体学会从自己的研究经历里改进：两轮自我提升后，假设可检验性明显上升
核心概要
研究智能体能否从自己的研究经历中持续改进，取决于能否把假设变成可执行、可检验的调查，并知道该强化哪一步贡献。DiscoveryRSI 用多智能体演化搜索构建假设树，保留每个提案与修订背后的证据和决策，再据此训练模型、改进工作流。两轮自我提升后，平均假设质量从 4.86 升到 5.39，增益集中在可检验性：可证伪性从 4.00 升到 6.20，数据可解析性从 3.73 升到 4.99。
深度剖析
研究智能体的自我改进不再只靠最终提案，而是把研究过程中每一步贡献都记录下来用于学习。 此前只保留最终提案时，提出解释、补充对照、根据新证据修改计划这些贡献都会消失，无法判断该强化哪一步。 两轮自我提升后，平均假设质量从 4.86 升到 5.39，增益集中在可检验性：可证伪性 4.00 到 6.20，替代解释 4.44 到 5.98，数据可解析性 3.73 到 4.99。
系统把选定的计算型调查编译成可执行的 Harbor 任务，让假设真正能跑起来。 把一个假设变成能实际运行的调查，需要固定它的数据需求和验证标准，同时不改变它提出的问题。 评估覆盖四个生命科学领域——临床与人群健康、治疗靶点优先级、疾病机制和人群多组学——并加入一个 battery 设置，检验方法能否延伸到生命科学之外。
智能体从研究经历中学到的主要是如何让调查变得可检验。 开发或修复已有假设的回合占比从 77.5% 升到 91.7%，而以新问题重新开始的回合占比从 21.7% 降到 5.0%。 在 27 位具有生物医学或临床研究背景的评审者盲评 292 份提案中，每次修订的平均得分变化为 DiscoveryRSI-27B +0.07、GPT-5.6 Sol +0.03、GPT-6 Luna −0.01。
启示与展望
评估覆盖临床与人群健康、治疗靶点优先级、疾病机制和人群多组学四个生命科学领域，另加一个 battery 设置检验方法能否延伸到生命科学之外；技术报告、GitHub 代码以及 Hugging Face 上的模型和数据集均已公开，DiscoveryRSI 直播也已开始。
两轮之后自动的重要性与新颖性得分下降，说明增益在调查如何设计；人工评估是初步的，修订比较在同一研究树内进行；与已发表研究的比较是描述性的，组大小和截止时间不同，研究者是否采用这些假设需要前瞻性跟踪。