AI-Supervisor：通过持久研究世界模型实现自主AI研究监督
TLDR
AI-Supervisor是一个多智能体框架，通过持久研究世界模型实现自主端到端AI研究监督。
评分理由
The paper presents a novel multi-agent orchestration framework with structured gap discovery and self-correcting loops, which are strengths. However, the abstract lacks real-world experimental validation or empirical results, limiting evidence of practical effectiveness.
Read-first 评分解释
综合优先阅读分 70.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 92。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：37。
关键词评分
深度分析
创新点
- 持久研究世界模型，实现为持续演化的知识图谱，作为智能体共享记忆
- 结构化缺口发现，将方法分解为核心模块并跨基准映射性能缺口
- 自纠正发现循环，探查模块失败原因、基准偏差及评估协议充分性
- 自改进开发循环，通过跨领域机制搜索定位失败模块
- 共识机制，要求独立验证后才将发现提交至研究世界模型
方法
AI-Supervisor是一个多智能体编排框架，由专门智能体执行文献综述、缺口发现、方法开发、评估和论文撰写。它维护一个持久的研究世界模型（知识图谱）作为共享记忆，支持结构化缺口分析、探查失败与偏差的自纠正循环，以及搜索跨领域解决方案的自改进循环。所有智能体在共识机制下运作，在更新世界模型前验证发现。
关键结果
摘要中未报告实验结果。