Kosmos：用于自主发现的人工智能科学家
TLDR
Kosmos自主进行数据分析、文献搜索和假设生成循环，12小时内生成高准确度可追溯的科学报告。
评分理由
Strengths include a novel structured world model enabling coherent long-horizon research and empirical validation with human evaluators showing 79.4% accuracy and significant time savings. Weaknesses are its limitation to data-driven discovery, scalability only tested up to 20 cycles, and an incomplete abstract.
Read-first 评分解释
综合优先阅读分 73.1，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 96。
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：32。
关键词评分
深度分析
创新点
- 结构化世界模型，在数据分析智能体和文献搜索智能体之间共享信息，使得在超过200次智能体展开中实现连贯的长周期发现。
- 并行数据分析、文献搜索和假设生成的迭代循环，最终综合成科学报告。
- 通过引用代码或原始文献对所有报告陈述进行可追溯推理。
- 有价值科学发现随周期数线性增长（测试至20周期）。
- 自主复现未发表发现并在代谢组学、材料科学、神经科学和统计遗传学领域产生新颖贡献。
方法
Kosmos接受一个开放式目标和数据集，然后运行长达12小时，执行并行数据分析、文献搜索和假设生成的迭代循环。结构化世界模型使得数据分析智能体和文献搜索智能体之间能够共享信息。发现被综合成科学报告，其中每个陈述都引用代码或原始文献。
关键结果
独立科学家评定Kosmos报告中79.4%的陈述为准确；一次20周期运行平均相当于研究人员6个月的工作量，有价值发现的数量随周期线性增长。七项发现跨越多个领域，其中三项复现了未发表/预印本结果，四项为新颖贡献。
局限性
- 报告陈述准确率为79.4%，意味着20.6%的陈述可能不准确。
- 发现的缩放仅测试至20周期；超出该范围的行为未知。