智猩猩AI整理
编辑：金水
9 月 15 日，新国产团队PhAI Labs开源了科研智能体ScienceBuddy，相关论文登上了Hugging Face日榜。
这是一家专注于下一代人工智能前沿研究的 Neo Lab。创始团队由斯坦福大学、牛津大学、普林斯顿大学等强 AI 背景科学家组成（包括高校教授、大厂研究员等）。
和多数"训完就定稿"的 Agent 不同，ScienceBuddy 把研究者的提问、反馈和真实执行记录，直接转化成可训练的任务和评分标准，让智能体在持续协作里不断变强。
这次团队提出的核心是一套叫“嵌套的递归自我改进"（recursive-in-recursive self-improvement）的范式：内层递归固定模型、只改"工作手册"（harness）；外层递归固定工作手册、反过来训练模型本身。两层嵌套耦合，形成自我进化的闭环。
最终，在四类科学任务（文献阅读、数据库判断、实验流程排错、基因与变异评估）共 895 个任务上，ScienceBuddy 验证了这套机制的两个独立环节：固定模型只改手册，首答准确率从 31.1% 提升到 51.1%；固定手册只训模型，问题覆盖率（pass@4）从 48.3% 提升到 67.8%。
其中，固定模型只改手册带来了 20 个百分点的提升；随后固定手册只训模型，又带来 19.5 个百分点的增长。
论文题目：
ScienceBuddy: Recursive-in-Recursive Self-Improvement for Interactive Scientific Agents
01 科研工作台打底，
ScienceBuddy 先搭好"环境"
ScienceBuddy 首先是一个交互式科研工作台。
团队把科研场景需要的工具整合到一起，224 个工具、覆盖 22 个功能模块，横跨基因组学、分子与癌症生物学、药理学、生物成像、文献检索和数据库查询。运行时支持 Python、R 和 Bash，配套在线数据库接口和一个本地数据湖。
研究者可以带着问题和数据进来，在工作台里提问、上传文件、查看执行轨迹和产出物，再跟进一轮轮的追问与修正。
在这个底座之上，ScienceBuddy 把"智能体工作手册"（harness）和底层基础设施解耦：指令、可复用技能、上下文管理这些"可编辑组件"单独抽出来，便于被显式地修改和评估。
基座模型则保持可插拔，案例里用 Qwen3.5-4B 作为任务模型，GPT-6 Astra 负责诊断与改手册，Qwen3.8-27B 辅助模拟研究者反馈。
02 递归套递归：
先改手册，再训模型
ScienceBuddy 的进化分两层递归。
内层递归（固定模型，改手册）：在一个训练周期里，任务模型参数保持不变，由 GPT-6 Astra 作为独立的"诊断编辑模型"，审阅最近的执行轨迹和评分结果，定位没达标的地方，提出一次有边界的修改，要么改一条指令，要么增删改一个 scoped skill。
每次修改都有约束和"配对评测"把关，只有在不违反编辑约束、且在相同开发任务上平均分高于父版本（ΔS > 0）时才被接受，否则保留原版。案例里经过 288 段适配对话、24 次更新，最终选中的手册包含 4 条指令和 9 个技能；在验证集上，选中手册的首答准确率达到 51.1%，而初始手册只有 31.1%，提升了 20 个百分点。
外层递归（固定手册，训模型）：手册定型后，团队先根据当前模型能力校准环境难度、做数据增强，再用"任务自适应评分标准"（rubric）作为细粒度奖励，通过 GRPO 训练任务模型。Rubric 把每个任务拆成多条带权重的检查项，能执行检查就用程序判，需要科学判读就交给固定裁判。
在固定初始手册 H0 的条件下，模型训练约两小时，问题覆盖率（pass@4，每个问题最多 4 次尝试）从 48.3% 提升到 67.8%，提升了 19.5 个百分点，同样的尝试预算下，模型能独立解出的科学问题范围明显变宽。
这套机制的关键在于"双向耦合"，手册的改动塑造了训练轨迹和任务难度，而模型升级又会改变旧手册的有效性。后台改进和在线服务并行，重新评测后再把"新模型 + 旧手册"一起部署回去，开启下一轮循环。
03 把聊天变成教材，
科研 Agent 评测被改写
ScienceBuddy 最有意思的设计，是让研究者的协作本身成为训练信号。
团队没有采用"先打包任务、再请专家标注"的老路，而是从完整的协作轨迹里同时提炼出"任务"和"评分标准"，任务指令保留最终需求和输入，但不照搬历史答案；评分标准覆盖任务范围、方法要求、证据和预期产物。
这些任务被打包成可执行的 Harbor 任务，同一批任务同时支撑两条后训练路线：SFT 用拒绝采样保留评分达标的轨迹，RL 则采集 fresh on-policy rollouts、以 rubric 分数为奖励。研究者回复可以完善任务目标和评分标准，但不会自动当成"正确答案"。
这些结果背后，核心变化不在模型参数规模。ScienceBuddy 案例里用的只是 Qwen3.5-4B 级别的基座，真正拉开差距的，是把研究者的真实协作过程变成持续学习素材，以及围绕"递归套递归"做的训练机制改造。
过去评价一个科研 Agent，常常看它能不能答对一道题、跑通一段代码。ScienceBuddy 给出的信号是Agent 能力的提升，已经越来越依赖把真实协作与执行过程变成训练本身，朝着"发现智能"（discovery intelligence）的方向，让科研 AI 在与研究者的持续协作中共同进化。返回搜狐，查看更多