研究分析

把想法生成、实验执行、结果分析和论文写作整合在单一闭环中。

通过逻辑一致性检查、知识检索或对仿真结果的视觉-语言检查，降低理论或物理领域中的静默错误。

为科学发现智能体提供标准化任务、数据集和人类基线。

将智能体自主性与定点人工监督、自愈执行和可验证报告结合，降低虚构或幻觉输出风险。

把想法生成、代码执行、实验运行和论文写作整合到一个自动化工作流中，例如 The AI Scientist、AI Scientist-v2。

通过结构化任务、基线和指标，如任务完成度、任务相关动作和可解释知识，使发现能力可比较，例如 DiscoveryWorld 与 BAISBench。

通过物理感知视觉门控、基于事实的报告或多假设失败归因减少静默失败和幻觉式结果，例如 SAGE、AI CFD Scientist。

协调可定制角色、实时监控、工件检查、回滚或恢复控制以及本地代码集成，例如 Claw AI Lab。

把主题提示转化为结构化综述，通过角色化LLM代理和迭代评审反馈提升质量。

整合验证、知识检索、文献综合、定理证明、实验和手稿生成。

用专家标注的发现任务和研究生水平人类基线比较AI科学家能力。

提供可扩展的假设优化、自我批判和知识积累基础设施。

将原始研究目标转化为假设、实验、结果和完整论文，减少人工干预。

在结论进入手稿前发现逻辑、物理、数值或引用错误。

把人工干预放在高杠杆决策点而非逐步监督，从而提高基准表现。

将实验失败归因到假设、设计或实现层，并路由到正确干预层级。

将假设转化为可执行实验，并通过将失败归因到假设、实验设计或实现层来改善结果。

在因果推断中生成经机器检查的理论产物，通过形式验证降低证明错误。

将人工干预集中在高杠杆决策点，而非要求完全自主或逐步监督。

在真实生物数据和多领域实验任务上提供可比较任务以及人类或基线参照。

把研究提示或最小假设转化为可运行代码、实验执行、结果分析和论文生成

通过作者/审稿人消融任务和大语言模型评判器，使自动提出与审查实验扰动变得可比较

提供受控任务套件和指标，覆盖假设-实验-结论完整周期

把失败实验尝试转化为下游智能体可采纳或拒绝的记录，提升重试和跨任务表现并降低 token 使用

通过模块化智能体和基于评分准则或评审的反复修改，把检索到的文献转化为结构化草稿。

通过全文分析、论文卡片、引文图扩展和证据约束引用，改进来源论文的选择与归属。

生成或学习类似专家的类别结构，将论文组织成连贯的树状章节。

通过基准、指标和成对比较评估检索、组织、内容覆盖、结构和引用质量。

把文献和数据转化为可通过实验反馈、代码执行和结果解释持续更新的假设

在自主性与人类判断之间取得平衡，并处理领域条件化的研究控制

在假设搜索中保持受控探索、分支、回溯和长周期一致性

通过任务、基线、指标和难度度量使系统能力主张具备可比性

提供标准化任务、交互协议和指标，以评估AI代理在从假设形成到实验和结论的端到端科学发现中的能力。

自动化发现流程的各个环节——代码生成、湿实验室执行、训练、安全检查——以提升代理效率、可复现性和任务完成率。

集成显式检查、结构化证书或安全循环，以确保代理推理与证据一致，并避免危险动作或工具链逃逸。

使LLM智能体通过闭环决策和反馈执行多步研究动作——查询文献、生成假设、运行实验、自我纠正。

通过精心设计的基准、指标（如准确率、MAE改进）和受控任务设计（编码问题、综述生成、留出验证）标准化研究智能体的比较。

将智能体工作流打包为可审计、可执行的流水线，产生可重用代码和工件，支持跨环境验证。

自动化从构思、文献分析到实验设计、执行和手稿撰写的完整研究管道，减少人类参与。

预测实验结果、不确定性和风险，指导显微镜和自驱动实验室的自主操作，实现开放决策与协同优化。

利用LLM智能体提出假设、编辑代码、评估新颖性并推理实验数据，实现偶然发现的操作化并提高采样效率。

通过噪声检测与纠正（kNN）和FAIR数据管道及自动索引，确保自驱动实验室的数据可靠性和可复现性。

通过专用或迭代智能体角色自动完成文献综述的组织、写作、编辑和审阅，目标是生成可读且引用准确的输出。

将科学文献数据库升级为智能体可访问的检索与证据提取层，支持自然语言查询和证据支持的回答。

将假设形成、实验、解释和文献证据组织为集成式科学发现循环，并将组件级自动化作为近期目标。

评估自动化审阅及相关智能体流程在对抗性文本攻击或基准压力下的脆弱性。

从高层想法或大纲生成完整研究论文，减少人工写作负担。

在编辑器内提供实时反馈、修改建议和写作指导，提升草稿质量。

生成或评估对科学论文的批判意见，旨在支持或自动化同行评审。

将论文内容转换为海报、幻灯片或可视化摘要等其他格式。