PrimeScientist：自主研究中研究投入的策略性分配

arXiv 2026 60.4 method

TLDR

提出PrimeScientist，用基于MCTS的策略跨尝试阶段战略分配有限研究资源，提升奖励与样本效率。

评分理由

The paper addresses a clear gap in autonomous research by treating resource allocation as a sequential decision problem, backed by an executable plan tree and adaptive MCTS policy. Strong empirical results across AI tasks are reported, though visible details do not clarify real-world deployment or limitations.

Read-first 评分解释

综合优先阅读分 60.4，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 65。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、评估、实验、结果

主题相关性 42%

54.2

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

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：20。

关键词评分

autonomous research agent

automated scientific discovery

automated research

AI for scientific research

research automation

scientific discovery agent

AI scientist

automated experimentation

experiment design agent

literature review agent

survey generation

paper writing agent

深度分析

创新点

将战略性研究投入分配形式化为序贯决策问题，由剩余资源显式指导研究策略。
引入可执行计划树，跨尝试保留相互竞争的方案及其结果。
提出基于自适应MCTS的分配策略，利用实验反馈与剩余资源平衡探索和利用。
在连续研究尝试中联合决定研究方向与资源投入。

方法

PrimeScientist将战略性研究投入分配建模为序贯决策问题；用可执行计划树表示候选研究方案，并应用基于自适应MCTS的分配策略，利用实验反馈与剩余资源平衡探索与利用。该方法在AI研究、系统与代码优化、机器学习工程中进行评估，并以AutoResearch作为相同资源预算下的基线。

关键结果

在12项AI研究任务上，相同资源预算下，PrimeScientist相比AutoResearch平均奖励提升10.3%，研究尝试次数减少50.6%。摘要还报告在AI研究、系统与代码优化、机器学习工程中研究质量和样本效率均有提升。

资源

论文