面向回合级智能体强化学习的科学发现环境扩展

arXiv 2026 58.7 method

TLDR

SciDisco：一个可扩展的框架，利用过程可验证环境和回合级强化学习训练科学发现智能体。

评分理由

The paper introduces a well-structured framework (SciDisco) with clear components (SciThèque, DAG trajectory synthesis, DiscoPO) and achieves SOTA on benchmarks, demonstrating strong methodology. However, the abstract lacks details on the specific datasets and real-world applicability, and the scope is limited to hypothesis-driven data analysis rather than full scientific discovery.

Read-first 评分解释

综合优先阅读分 58.7，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 60。

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：分析、基准、数据集、实验

主题相关性 42%

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：数据集

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：21。

关键词评分

automated scientific discovery

scientific discovery agent

AI for scientific research

AI scientist

automated research

autonomous research agent

research automation

automated experimentation

experiment design agent

literature review agent

survey generation

paper writing agent

深度分析

创新点

SciDisco框架，用于在过程可验证环境中训练科学发现智能体
SciThèque：将假设、数据集、隐藏证据图和验证器编译成具有进度检查的任务环境
基于DAG的轨迹合成，构建经过验证器筛选的多轮演示
DiscoPO：利用环境作为训练信号进行回合级信用分配，奖励产生可验证分析证据的动作

方法

本文提出SciDisco框架，该框架使用SciThèque创建具有隐藏证据图和验证器的过程可验证环境。基于DAG的轨迹合成生成多轮演示，并由验证器筛选，DiscoPO为产生可验证证据的动作分配回合级信用。训练了一个14B模型，并在假设驱动的科学数据分析基准上进行评估。

关键结果

SciDisco-14B在假设驱动的科学数据分析基准上达到了最先进水平。

资源

论文