DiscoveryRSI 论文：6.3% 假设命中率超 GPT-6 与 Claude Opus 5
Afinetheorem · x · 2026-10-19
Princeton Ling Yang 团队发布 DiscoveryRSI 框架（arXiv:2610.23839），让 AI 递归学习如何提出有价值且可检验的科研假设。
- 框架机制：通过多智能体进化搜索构建假设树，把选中的研究方案编译为可执行的 Harbor 任务，并通过三种机制递归学习：假设归因优化、harness replay 复盘成功策略与常见失败、rediscovery 将改进迁移到新研究。
- 核心定义：给出「有价值假设」的可操作定义——有证据支撑、指向重要不确定性，且附带可行实验、明确判据与备选解释。
- 评测：同时发布 DFM-Bench，从假设、修订、开发路径、研究运行多个层级评估假设质量。
- 成绩：DiscoveryRSI-27B 的 6.3% 假设与后续已发表论文重合，高于 GPT-6 的 2.5% 和 Claude Opus 5 的 2.3%，覆盖四个生命科学领域。
所属事件:DiscoveryRSI 框架开源，递归生成科研假设超越顶级模型(3 条相关)→
「研究」频道最新
- Dream2Discern:自造困难样本预测多智能体系统运行时失败 — RutgersU · 2026-10-19
- 复旦等发布 BridgeWAM:桥接查询解耦视频与动作专家,推理提速 2.47 倍 — Fudan-University · 2026-10-19
- NVIDIA FC-SWE:用失败补丁反馈做条件化 RL,提升 SWE 智能体多轮解决率 — nvidia · 2026-10-19
- 浙大提出 AVC-Reward:事件中心框架评测音视频生成一致性 — ZhejiangUniversity · 2026-10-19
- PremiseCheck:把审稿意见拆成前提逐条核查,成本仅为 GPT-5.5 一半 — Dingjie Song · 2026-10-19
- SciΠvot 基准:前沿模型科研判断力不及人类,常偏爱有缺陷方案 — Youran Sun · 2026-10-19