科研难在把想法磨成能检验的研究，再根据结果修正判断。智能体做研究时留下大量记录，却很少用来训练自己。
DiscoveryRSI 【文献1】做的，是把这些记录用起来，效果很不错。
好假设
论文把假设拆成四部分:
是有证据的论断， 是调查方案， 是判定标准， 是替代解释。
好假设有两条要求。回答它，能改变认识或决策；方案在现有数据下做得出来，结果能支持、削弱或限定论断。
比如 ICU 病人肌酐下降而尿量仍低，这种错位能否预测出院后短期内的再入院或死亡?
方案事先写明什么结果算支持，并列出"病重的人本来就两者兼有"这类替代解释。写到这一步，假设才能被检验。
记录过程
多个智能体分工，提假设、批评、修改，每次修改产生新版本，连着前一版，串成一棵研究树。
每个版本带着证据、评审和各方贡献，好结果出自哪一步，顺着记录能查回去。这份记录是后面学习的原料。
DiscoveryRSI将多智能体假设开发与递归自我改进相结合：（a）在一个情节内，由Lead协调生成与演化过程；候选假设版本会接受评审，并记录进展。入选的假设会被编译为Harbor任务，附带关联证据、数据、草稿、工件、评估、贡献及执行记录。（b）研究树将假设贯穿各轮RSI传递：记录的状态𝐻𝑘进入RSI，产生更新后的参数（𝜃𝑘+1，𝜓𝑘+1）以及用于再发现的新问题。（c）两个更新分支从同一经验中学习：假设信用优化将评估结果和有记录的贡献转化为有界加权训练，而harness回放保持模型不变，诊断反复出现的失败，并测试有针对性的工作流修改。被接受的更新会在第𝑘+1轮之前于开发集上进行检查。
功劳给谁
假设得高分，功劳可能来自不同的调用，有人提解释，有人加对照，有人改计划。只看最终结果，不知该强化谁；整段历史都拿去训练，又会学进无用的步骤。
论文分了三步。
先由盲评的两两比较，算出每个假设的相对优劣。这个分数反映评审偏好，与假设为真的概率无关。
再按记录分功劳，协调拿一小份，直接产出和有据可查的支持工作拿大头。查不出归属的份额宁可空着，同一问题的多个版本共用预算，单条轨迹的权重有上限
最后只对有依据的回答和工具调用计算训练损失，其余内容只当背景。一万五千多条轨迹，最终只留两千多条，受直接监督的 token 约占 2%。
模型学到的是有证据支持的具体决策，不是整段历史。
流程得改
智能体常见的毛病，是反复探索同一方向、工具调用失败、产物丢失、过早收工，多半出在流程上。
Harness replay 保持模型不动，回看记录，找出反复出现的故障，再改流程，改动须在开发集上胜过原方案。新模型和新流程拿去做全新的问题，产生新记录，进入下一轮。
研究留下记录，记录支撑归因，归因驱动改进，改进后的系统继续研究。
效果不错
两轮改进后，假设质量的自动评分从 4.86 升到 5.39。提升集中在可证伪性、对替代解释的考虑和数据可解析性。系统更愿意在已有假设上反复修订，少换新问题。
人类评审中，每次修改的平均得分变化是 +0.07，对比模型为 +0.03 和 −0.01。与模型截止日期之后发表的研究能对应上具体设计的比例，该系统为 6.3%，GPT 为 2.5%，Claude 为 2.3%。
已知局限
提升集中在方案设计，问题的重要性和新颖性略降，数据贴合、替代解释和信息量三项，人类评分低于 GPT-6 Luna。系统学会了把方案写扎实，还没学会提更大的问题。
评价不够独立，三位自动评审出自同一模型家族，文献对应由模型自动判断，各组样本量悬殊，评价器也还没有跟专家校准。
工作止于假设和调查方案，没有做实验，没有实验室验证。
个人看法
上个月笔者有幸受邀作为世界人工智能开源大赛（GOAI）的 AI for Research 评委，全天20个项目路演评审，深有感触。
参赛项目 AI for Research 的途径，多是人类学者提出创意或假设，AI负责探索或优化。
AI 能否自己提出冠军的镜像多肽，或是季军的时空信息编码？
DiscoveryRSI 是AI自主发现科研假设的一小步，未来人们能化腐朽的“AI幻觉”为神奇的科学发现吗？
文献1，DiscoveryRSI: Recursively Learning to
Discover Valuable Hypotheses，https://arxiv.org/pdf/2610.23839