DiscoveryRSI模型科研假设启发能力远超同类AI模型

PhAI Labs是一家聚焦下一代智能系统的研究机构，长期探索人工智能与科学发现融合的前沿方向。该机构最新发布的AI研究能力对比研究显示，在考察模型提出的研究假设能否为后续科学探索提供启发的测试中，五个主流模型组里，Claude Opus5组以2.3%的比例位列末位，GPT组为2.5%，GLM为2.8%，DeepSeek为5.4%，而名为DiscoveryRSI的模型组则以6.3%的占比位居第一，约为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%。

这项测试的核心是判断AI生成的研究假设是否能在后续发表的论文中找到具体支撑，比如可采用的实验对照、测量方法，或值得进一步验证的证据缺口，且以各模型组记录的时间节点作为“后续”的起点。这一能力指向的是提出有价值、可检验的研究假设，并将其转化为实际可开展研究的通用科研能力。

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，研究问题的来源、价值判断与证据影响，都需要在探索中不断明确。

围绕这一核心任务，PhAI Labs联合全球多所高校与研究机构推出了DiscoveryRSI。该研究由23位AI与科学领域的学者共同完成，涵盖斯坦福大学、MIT、哈佛医学院、北京大学、牛津大学、普林斯顿大学等16家机构的研究力量，核心作者包括斯坦福大学副教授James Zou、MIT计算生理学实验室临床研究主任及哈佛医学院医学副教授Leo Anthony Celi，后者作为MIMIC数据库的发起人和负责人，为临床数据研究提供了关键支撑。

这项工作将研究问题的形成与科研Agent的持续学习相结合，要求模型提出经得起讨论的研究方案，在数据与证据约束下不断修订，并接受专业人工评价。

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

为了实现持续学习，DiscoveryRSI构建了一套面向科学发现的递归自我改进范式，将研究假设与检验方案共同组织，每个假设需明确研究论断、检验方法、判定标准和替代解释，说明研究价值与判断依据。不同版本的假设被保存在研究假设树中，多智能体可围绕已有方向演化、修复缺陷，必要时组合思路或重新开始，每次修改的依据、数据和决策均被记录。

基于这些记录，系统可追溯研究进展，通过假设贡献归因与优化机制，将科学评价转化为具体训练目标，识别不同Agent的贡献并用于模型优化。此外，Harness Replay机制可在模型不变时回看问题并调整，Rediscovery则将评估后的更新用于新研究任务，这些共同构成跨轮次学习框架。配套的DFM-Bench将评价范围扩展到假设修订、研究路径与整轮过程，关注研究的证据积累、判断合理性与科学贡献。

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。

在电池领域，系统围绕电学诊断、寿命预测、材料退化与使用历史四条研究线，已覆盖300个研究 episodes、351个研究假设，在DFM-Bench上的表现为：58.47%的研究演化被判定为实质进展，完整研究路径评分达81.52，全图组织评分达71.25。更重要的是，每个候选都可追溯到数据、测量条件、实验设计、反例和后续决策，让研究过程可检查、可复盘、可持续迭代。目前这套能力正被推进到更复杂的电池研发问题中，而从生物医学到电池研究的多领域实验，也为DiscoveryRSI的有效性提供了初步支撑，展现出跨领域应用潜力。

围绕这套框架，团队开展了多组实验，首先在241个预留研究问题上对比基础模型与完成一轮、两轮自改进的模型，用统一自动标准考察假设质量。结果显示，平均评分从4.86升至5.18，再升至5.39；第二轮改进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。

提升最突出的是假设的可检验性：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，数据适配评分从3.73升至4.99，可行性从4.79升至5.87。这些变化说明研究经验推动模型将方案更具体化，明确检验方式与结果解释，而重要性和新颖性的评分尚未同步提升。

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。

除了假设质量，团队还记录了Agent的研究选择变化：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%，模型将更多步骤用于完善已有方向。这种变化在研究后半程更明显：基础模型有32%的步骤选择重启，两轮改进后降至3%，演化或修复占93%；研究路径自动评价中，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，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、环境、输出与验证要求整理为执行单元，让研究方案可进入下一步调查，不过科学结论仍需实际验证。

图5｜自改进后，Agent更频繁地发展与修复假设，减少重新开始。

团队还开展了专家指导下的人工评审，27名具有生物医学或临床背景的人员在三名资深指导者监督下，对292份提案进行评价，提案的生成来源和AI评分被隐藏。结果显示，DiscoveryRSI-27B的假设修订中，41%带来改善，47%持平，12%变差；对比模型中，GPT-5.6 Sol的改善与变差比例为31%和32%，GPT-6 Luna为25%和31%。

平均每次修订的评分变化，DiscoveryRSI-27B达到+0.07，高于GPT-5.6 Sol的+0.03和GPT-6 Luna的-0.01；在研究问题重要性、论断合理性与证据边界两项指标上，分别得到3.10和3.37分，高于GPT-6 Luna的2.94和3.16；49%的假设达到或超过五分制中点，对比模型仅为33%。具体案例中，MIMIC-IV研究路径里，系统逐步明确时间界标、变量对应与判定阈值，六项人工指标均分从2.83升至3.50，数据适配与结果信息量各提升2分。

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。

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。

回到最初的排名，团队进一步将AI假设与后续论文对照，寻找研究线索。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17790条引文边和16440篇文献，按时间界限筛选来源。结果显示，DiscoveryRSI两次生产运行生成1176个假设版本，其中74个获得判定，总体比例6.3%，在五个模型组中最高，治疗靶点方向达16.9%，人群多组学7.4%，疾病机制6.8%。

这些联系将假设对接具体实验设计，为后续审查提供线索，但当前是自动对照的描述性结果，无法直接证明假设被未来研究采纳。检验AI能否启发未来研究，还需持续追踪研究者的后续探索，这也是团队技术直播希望呈现的方向。

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。

DiscoveryRSI延续了PhAI Labs在科学智能与递归自我改进方向的长期研究。此前的DFM（Discovery Foundation Models）提出面向发现智能的研究范式，关注AI如何发现未知、形成问题并修正判断；RSI-Anything则基于JEPA-Anything的预测能力，探索用世界模型选择检验行动并改进策略。DiscoveryRSI将这一方向推进到研究问题与假设本身，让研究过程中的假设、证据与设计决策成为自我改进的学习材料。

科研任务的难点在于判断下一步方向、证据的影响与设计缺陷，DiscoveryRSI通过研究树保存变化，归因进展并用于训练，将递归改进带入更开放的科学发现问题。两轮模型更新的质量提升与人工评审，为这条路线提供了实验支撑，团队的长期目标是让AI从真实研究中获得新证据，将检验后的经验转化为发现能力，持续改进仍是未来方向。

目前，PhAI Labs正在开展为期三天的DiscoveryRSI技术直播，直观呈现科研Agent发现问题、发展假设、形成可检验方案的过程，以及假设对后续研究的启发，适合希望理解AI参与科学发现的研究者和开发者。直播入口可访问https://foundry-arena.rsi-arena.workers.dev/arena。

该研究的相关资源如下：

• 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

PhAI Labs是一家聚焦下一代智能系统的研究机构，长期探索人工智能与科学发现融合的前沿方向。团队成员的研究背景覆盖多所全球顶尖高校，本次研究汇集了多领域力量，将模型训练与科研评价结合，持续推进让模型参与真实研究并实现自我改进的路线。团队通过开源研究、科学实验与外部合作检验相关机制，欢迎研究者使用开放资源探索科研Agent的持续学习。

PhAI Labs官方网站：https://phai-labs.com/