直播中｜Claude垫底，GPT表现不佳，PhAI Labs用DiscoveryRSI探索科研Agent自我进化

Claude，竟然排在最后？

PhAI Labs 最新公布了一项 AI 研究能力对照，结合后续发表的科学文献，考察不同模型提出的研究假设能否为未来的研究思路与探索方向提供启发。报告所列的 Claude Opus 5 组对应比例为 2.3%，排在图中五个模型组的末位。GPT 组为 2.5%，GLM 为 2.8%，DeepSeek 为 5.4%。

排在最前面的，是DiscoveryRSI：6.3%，约为 GPT 组的 2.5 倍、Claude 组的 2.7 倍。

图 1｜五个模型组对未来研究的启发：DiscoveryRSI 总体比例为 6.3%。

这项比较观察的是：AI 提出的研究假设，能否在后续发表的论文中找到具体的研究依据。例如，一个能够采用的实验对照、一种测量方法，或一个值得进一步检验的证据缺口。这里的 “后续” 以各模型组记录的时间界限为起点。

这对应着一项更通用的研究能力：提出有价值、可检验的研究假设，并将它发展为能够实际开展的研究。

一项研究需要从值得探索的假设出发，逐步形成可行的调查与验证方案。研究问题从哪里来，为什么值得做，哪些证据能够改变判断，都需要在探索中不断明确。

围绕这一任务，PhAI Labs 联合多家高校与研究机构提出DiscoveryRSI。论文由23 位 AI 和科学领域的作者共同完成，包含国内外 16 个机构署名，汇集斯坦福大学、MIT、哈佛医学院、北京大学、牛津大学、普林斯顿大学等机构的研究力量。

合作研究作者包括斯坦福大学副教授 James Zou，以及 MIT 计算生理学实验室临床研究主任、哈佛医学院医学副教授 Leo Anthony Celi。Celi 作为 MIMIC 数据发起人和 PI，他的团队建设并维护了 MIMIC 数据库，为临床数据研究提供了重要基础。两位研究者均为这篇论文的通讯作者。

这项工作将研究问题的形成与 Agent 的持续学习联系起来：模型需要提出经得起讨论的研究方案，在数据与证据的约束下不断修订，并接受专业人工评价。

• 论文：https://arxiv.org/abs/2610.23839
• 代码：https://github.com/Gen-Verse/DiscoveryRSI
• 模型：https://huggingface.co/collections/Gen-Verse/discoveryrsi

与此同时，PhAI Labs 正在开展为期三天的 DiscoveryRSI 技术直播，欢迎进入直播间观看。 直播更直观地呈现科研 Agent 如何发现问题、发展假设、形成可检验的研究方案。更重要的是，检验科研 Agent 提出的假设能否启发未来的研究。

对于希望理解 AI 如何真正参与科学发现的研究者和技术开发者，这也是一次从论文方法走向具体科研过程的机会。

直播入口：https://foundry-arena.rsi-arena.workers.dev/arena

01｜DiscoveryRSI: 从提出研究假设，到从超长程研究中学习

提出一个好假设，还不足以让科研 Agent 持续成长。

在一次研究中，Agent 可能补充了关键对照，也可能发现原有方案无法用现有数据检验。假设不断变化，研究经验随之积累。但如何把这些经验变成模型下一次还能用上的能力，仍然具有挑战。

DiscoveryRSI 为此提出一套面向科学发现的递归自我改进范式，让假设发展过程成为模型学习的来源。

系统首先将研究假设与检验方案共同组织起来。每个假设需要明确研究论断、检验方法、判定标准和替代解释，说明这个问题为什么值得研究，以及什么结果能够支持或削弱原有判断。

不同版本被保存在研究假设树中。多智能体围绕已有方向持续演化、修复缺陷，必要时组合不同思路或重新开始。每次修改所依据的文献、数据和研究决策，也被一并记录。

图 2｜DiscoveryRSI：研究假设树、贡献归因与模型和工作流的递归改进。

有了这些记录，系统便可以进一步追溯研究进展来自哪里。Hypothesis Credit Optimization（假设贡献归因与优化）将科学评价连接到有记录支持的具体贡献，再把有效行为转化为不同权重的训练目标。

一个 Agent 找到了关键证据，另一个提出必要对照，后续修订修复了研究设计的缺陷，这些贡献可以被分别识别，用于指导模型优化。团队基于这一机制训练了 DiscoveryRSI-27B。

改进还可以发生在工作流上。Harness Replay 在模型保持不变时，回看重复探索、工具失败或上下文丢失等问题，测试有针对性的调整。Rediscovery 将经过评估的更新用于新的研究任务，继续积累经验。这些机制共同构成了跨研究轮次学习的框架。

与之配套的DFM-Bench将评价范围从单个假设扩展到假设修订、研究路径与整轮研究过程，关注研究是否积累了证据、作出了合理判断，以及产生了怎样的科学贡献。

实验覆盖临床与人群健康、治疗靶点优先级、疾病机制、人群多组学四类生命科学场景，使用 HCC、MIMIC-IV、eICU、UK Biobank 及 GEO、ArrayExpress 等数据资源。

图 3｜生命科学与电池领域共享的科学发现流程：从证据与问题出发，在探索、评价与修订中发展研究假设。

电池领域，围绕电学诊断、寿命预测、材料退化与使用历史四条研究线。系统已经覆盖 300 个研究 episodes、351 个研究假设，在 DFM-Bench 上：58.47% 的研究演化被判定为实质进展，完整研究路径评分达到 81.52，全图组织评分达到 71.25。更重要的是，每个候选都能追溯到数据、测量条件、实验设计、反例和后续决策，让 DiscoveryRSI 参与的研究过程变得可检查、可复盘、可持续迭代。接下来，我们会继续把这套能力推进到更真实、更复杂的电池研发问题中。

从生物医学到电池研究，多领域实验为 DiscoveryRSI 科学发现新范式的有效性提供了初步支撑，也展现出其跨领域应用潜力。

围绕这套框架，技术报告从四个研究问题展开实验：模型是否越研究越强、研究行为如何变化、专业研究者如何评价，以及生成的假设能否接上有用的研究线索。

02｜从研究经验中持续学习，提升研究假设的质量与可检验性

PhAI Labs 在 241 个留出研究问题上，比较基础模型与完成一轮、两轮自改进的模型，使用统一的自动评价标准考察假设质量。

平均评分从 4.86 升至 5.18，再升至 5.39。第二轮在四个领域均超过基础模型，提升幅度从疾病机制方向的 0.28 分，到人群多组学方向的 0.94 分。

图 4｜两轮自改进，四个领域的假设自动质量评分均高于基础模型。

提升最突出的，是假设能否进入实际检验。可证伪性从 4.00 升至 6.20，对替代解释的考虑从 4.44 升至 5.98；数据能否回答问题的评分从 3.73 升至 4.99，可行性从 4.79 升至 5.87。

这些结果说明，研究经验能够推动模型把方案写得更具体，明确如何开展检验，以及怎样解释不同的结果。当前提升主要集中在这些方面，重要性和新颖性的自动评分尚未同步上升。

03｜在自我改进中优化研究策略，让探索更加深入、更有依据

评分之外，PhAI Labs 还记录了 Agent 在研究过程中的选择。

演化与修复已有假设的步骤占比，从 77.5% 提升至 91.7%；重新开始的占比，从 21.7% 降至 5.0%。模型把更多研究步骤用于完善已经展开的方向。

图 5｜自改进后，Agent 更频繁地发展与修复假设，减少重新开始。

这种变化在研究后半程尤其明显：基础模型有 32% 的步骤选择重启，两轮改进后降至 3%，演化或修复则占到 93%。研究路径的自动评价中，证据与推理规范性提升 1.25 分，技术与知识探索提升 0.34 分，研究连续性与综合提升 0.24 分。

研究产出也向执行推进。论文报告，在匹配运行中，DiscoveryRSI-27B 相比基础模型选出的独特假设增加 16.7%，成功编译的 Harbor 任务增加 50%。

这些任务将输入、运行环境、输出与验证要求整理为明确的执行单元，使选中的计算研究方案可以进入下一步调查。完成编译之后，相应科学结论仍需要实际执行和证据验证。

04｜专业研究者评审检验研究价值，推动假设在修订中走向成熟

研究进一步设置了专家指导下的人工评审：27 名具有生物医学或临床研究背景的医生、医学生及生物科学博士生，在三名资深指导者监督下，对 292 份提案开展评价。提案随机呈现，生成来源和 AI 评分被隐藏。

在已评审的研究树中，DiscoveryRSI-27B 有 41% 的修订带来改善，47% 持平，仅 12% 变差。GPT-5.6 Sol 的改善与变差比例为 31% 和 32%；GPT-6 Luna 为 25% 和 31%。

图 6｜人工评价：41% 的假设修订带来改善，12% 变差，平均修订评分变化为 +0.07。

平均每次修订的评分变化，DiscoveryRSI-27B 达到，高于 GPT-5.6 Sol 的 +0.03 和 GPT-6 Luna 的 −0.01。相比 GPT-6 Luna，改善比例高出 16 个百分点，变差比例低 19 个百分点。

在研究问题的重要性、论断合理性与证据边界两项人工指标上，DiscoveryRSI-27B 分别得到3.10 和 3.37，高于 GPT-6 Luna 的 2.94 和 3.16。49% 的假设达到或超过五分制质量评价的中点，对比模型的相应比例为 33%。

论文摘要还报告，292 份受评提案中仅 19% 被建议拒绝推进，其余建议包括优先推进、修订或暂缓。

具体案例也展示了修订带来的变化。在一条 MIMIC-IV 研究路径中，系统逐步明确时间起点和 48 小时界标、将变量对应到真实数据字段，并补充急性肾损伤判定阈值。六项人工指标的均分从 2.83 升至 3.50，数据适配与结果信息量都提高了 2 分。

图 7｜MIMIC-IV 研究路径案例：六项人工评分均值从 2.83 提升至 3.50。

这组结果让 “研究经验” 有了更直观的含义：一次有效修订，可以落实为更清楚的观察时间、更合理的变量定义或更完整的判断标准。人工评价也显示出不同模型各自的优势；上述修订结果衡量的是研究树内部的变化，与跨轮次模型更新实验分别提供不同层面的证据。

05｜这些假设，能否启发后续研究？

回到开头的排名，团队进一步将 AI 生成的假设与后续发表的论文进行对照，寻找能用于继续研究的具体联系。

参考集由所有模型组共享。团队完成 420 次前向与后向引文遍历，获得 17,790 条引文边和 16,440 篇已解析文献，再按各组记录的时间界限筛选来源。

DiscoveryRSI 的两次生产运行共生成 1,176 个假设版本，其中 74 个获得相应判定，总体比例为 6.3%，在图中五个模型组中最高。治疗靶点方向达到 16.9%，人群多组学为 7.4%，疾病机制为 6.8%。

图 8｜总体与分领域文献对照结果。各组样本量不同，采用描述性比例。

这些联系把研究假设接到了具体的实验设计和可检验问题上，也为后续人工审查提供了线索。当前结果来自自动文献对照，各组样本量不同，属于描述性比较；它还不能直接证明 AI 假设已被未来研究采纳或验证。

检验 AI 能否启发未来研究，需要继续追踪假设提出之后，研究者是否会围绕它开展新的探索与验证。这也是此次技术直播希望进一步呈现、并持续检验的方向。

06｜从 DFM、RSI-Anything，到 DiscoveryRSI

DiscoveryRSI 延续了 PhAI Labs 围绕科学智能与递归自我改进的长期研究。

DFM（Discovery Foundation Models）提出了面向 Discovery Intelligence 的研究范式，关注 AI 如何发现有价值的未知、形成研究问题，并在外部证据中修正判断，逐步积累发现能力。

RSI-Anything 则基于 JEPA-Anything 的预测能力，探索如何用世界模型选择值得检验的行动，再用真实反馈改进策略或工作流，将通过检查的更新带入下一轮。

DiscoveryRSI 将这一方向进一步推进到研究问题和假设本身：研究过程中不断变化的假设、证据与设计决策，如何成为科研 Agent 自我改进的学习材料。

科研任务的难点，也包含 “下一步应该研究什么”。一个方向是否值得继续，新的证据是否改变原有解释，失败究竟暴露了哪项设计缺陷，都影响后续探索。DiscoveryRSI 通过研究树保存这些变化，通过贡献归因把进展连接到具体行为，再将经验用于模型训练与新一轮研究。

从世界模型辅助行动，到围绕研究假设形成可追溯的学习过程，这一工作将 PhAI Labs 的递归自我改进研究带入了更开放的科学发现问题。两轮模型更新的质量提升与专业人工评审，为这条路线提供了新的实验支撑。

这些工作共同指向一个长期目标：让 AI 从真实研究中获得新证据，并把经过检验的经验变成后续发现的能力。更长时间、更多轮次的持续改进，仍将是团队接下来需要验证的方向。

关于 PhAI Labs 与研究团队

PhAI Labs 是一家面向下一代智能系统的新型研究组织（Neo Lab），长期关注人工智能与科学发现深度融合的前沿方向。

团队成员的研究背景覆盖斯坦福、牛津、普林斯顿、北京大学等高校，并具有前沿 AI 研究与科学实验经验。本次 DiscoveryRSI 进一步汇集机器学习、生物医药与临床研究力量，将模型训练和科研评价放到同一项研究中。

从 DFM 对发现智能的定义，到 RSI-Anything 对递归改进机制的探索，再到 DiscoveryRSI 对研究假设发展与经验学习的具体实现，PhAI Labs 正在持续推进一条研究路线：让模型参与真实研究，并让每一轮探索成为下一次能力增长的来源。

团队通过开源研究、科学实验与外部合作检验这些机制，欢迎研究者使用代码与模型，进一步探索科研 Agent 的持续学习。

PhAI Labs 官方网站：https://phai-labs.com/

PhAI Labs DiscoveryRSI 技术直播正在进行中

欢迎进入直播间

了解科研 Agent 如何从提出问题

走向能够持续学习的科学发现过程

直播入口↓

https://foundry-arena.rsi-arena.workers.dev/arena