Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Исследовательского агента научили улучшать следующие гипотезы на опыте разработки предыдущих. Средняя оценка качества выросла с 4,86 до 5,39 после двух циклов, при этом работа не рецензирована и все числа получили сами авторы. Для продуктовых R&D-агентов полезнее всего не результат сам по себе, а устройство цикла: система сохраняет решения, связывает итог с конкретными действиями и отдельно меняет модель и рабочий процесс.
Гипотеза становится объектом с проверяемым исходом
DiscoveryRSI работает не с короткой идеей, а с составным исследовательским объектом. В него входят утверждение, план проверки, заранее заданные критерии решения и альтернативные объяснения результата.
Такая структура не позволяет агенту ограничиться правдоподобным текстом. Он должен указать доступные данные, сравнения и контрольные условия, а также объяснить, какой результат поддержит гипотезу, какой ослабит её и какой останется неоднозначным.
Несколько агентов развивают версии гипотезы через продолжение удачного направления, исправление найденного дефекта или объединение разных ветвей. Отдельные роли выбирают направления, собирают доказательства, предлагают изменения и сравнивают варианты вслепую. Проверка прогресса учитывает предшественника: новая версия должна содержательно менять исследование, а не только переписывать формулировку.
Каждая версия остаётся связанной с источниками, данными, промежуточными материалами, оценками и действиями агентов. Получается не стенограмма диалога, а граф происхождения: по нему можно восстановить, кто предложил полезный контроль, кто уточнил критерий решения и где система повторила уже проверенный путь.
Выбранный план компилируется в задачу Harbor с конкретными входами, средой выполнения, ожидаемыми результатами и автоматическими проверками. Техническая готовность задачи оценивается отдельно от научной ценности: успешно запущенный код ещё не означает, что эксперимент отвечает на исходный вопрос.
Оценка гипотезы превращается в обучение отдельных действий
Главная техническая проблема — распределить итоговую оценку между участниками процесса. Хорошая гипотеза может объединять исходную идею одного агента, найденное другим ограничение и исправленный третьим план анализа.
DiscoveryRSI сначала оценивает итоговую гипотезу, затем назначает ограниченный вес только документированным вкладам. Обучающими примерами становятся поддержанные оценкой ответы и аргументы вызовов инструментов. Неудачные действия остаются в контексте, чтобы модель видела ход работы, но система не учится их повторять.
Параллельная ветвь меняет исполнительную обвязку агента, сохраняя веса модели неизменными. Повторное проигрывание истории выявляет потерянные материалы, преждевременное завершение работы, повторное исследование одного направления и ошибки инструментов. После этого система проверяет точечные изменения в распределении ролей, доступе к доказательствам и порядке рецензирования на отдельном наборе задач.
Принятые изменения модели и обвязки применяются к новым вопросам. Новые исследования создают следующую порцию истории, поэтому цикл может повторяться без обучения на всей переписке и без автоматического принятия каждого предложенного изменения.
DFM-Bench оценивает не только финальный текст, но и отдельные редакции, пути развития и исследовательский запуск целиком. Доля гипотез, для которых нашлось содержательное соответствие в публикациях после временной границы обучения, составила 6,3% против 2,5% у GPT-6.
Этот показатель не доказывает истинность гипотез и не показывает, что учёные стали их применять. На него влияют состав предметных областей, полнота поиска литературы и формат ответа: длинные материалы Claude Opus 5 хуже проходили этап извлечения подходящих публикаций. Поэтому сравнение сильнее говорит о пригодности гипотез для дальнейшего поиска, чем о научных открытиях.
Для продуктового R&D полезнее архитектура цикла, а не новый лидер
Работу проверяли в нескольких направлениях наук о жизни, включая терапевтические мишени, механизмы заболеваний, многоомные данные и клинические исследования. Система дошла до конкретных гипотез и скомпилированных вычислительных планов, но не замкнула цикл через полноценное выполнение всех исследований и лабораторную проверку.
Эти результаты не дают основания менять выбранную базовую модель продукта по одному рейтингу. Переносимая часть DiscoveryRSI — журнал происхождения решений: продуктовый агент должен сохранять не только финальный документ, но и связь между предположением, данными, проверкой, результатом и конкретным действием.
Второй практический вывод — разделить оценку результата и готовность исполнения. Для продуктовой гипотезы аналогом научного объекта станет утверждение о пользователе или процессе, доступный эксперимент, критерий принятия решения и конкурирующие объяснения. Агент должен уметь собрать этот объект в исполнимую задачу, но запуск и бизнес-ценность следует проверять раздельно.
Третий вывод — не сводить улучшение агента к дообучению модели. Часть повторяющихся ошибок дешевле исправлять правилами маршрутизации, доступом к данным, моментом проверки или форматом артефактов. Дообучать стоит только действия, чей вклад можно связать с улучшенным результатом, а изменения обвязки — принимать после проверки на отложенных задачах.
Для команды, которая уже строит исследовательского агента, работа предлагает схему следующей итерации: версионировать гипотезы, фиксировать происхождение вклада, отделить научную или продуктовую оценку от технического исполнения и завести независимые контуры улучшения модели и процесса. Начинать рекурсивное обучение без такой трассировки рано: итоговая оценка не покажет, какие действия нужно усиливать.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
