AI科学家-v2：通过智能体树搜索实现工作坊级别的自动化科学发现

arXiv 2025 76.9 method

TLDR

介绍自主研究并撰写论文的AI系统，首个AI生成工作坊论文通过同行评审。

评分理由

The paper presents a novel agentic tree-search methodology and demonstrates real-world validation by submitting to a peer-reviewed workshop, with one paper accepted. Strengths include end-to-end automation and empirical evaluation; weaknesses include limited scope (workshop-level) and potential reproducibility concerns.

Read-first 评分解释

综合优先阅读分 76.9，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。

近期性 8%

86.7

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：2025

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：有；数据：无；命中信号：代码、GitHub

主题相关性 42%

76.7

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

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：评估、实验

研究版图角色

前沿论文桥接论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：20。

关键词评分

AI scientist

automated scientific discovery

autonomous research agent

automated experimentation

AI for scientific research

paper writing agent

scientific discovery agent

automated research

experiment design agent

research automation

literature review agent

survey generation

深度分析

创新点

首个完全由AI生成并通过同行评审的工作坊论文
消除了v1中对人类编写代码模板的依赖
在多种机器学习领域具有泛化能力
采用渐进式智能体树搜索方法，并配备专门的实验管理器智能体
基于VLM的审稿人反馈循环，用于迭代优化图表内容和美观度
开源代码库

方法

AI Scientist-v2是一个端到端的智能体系统，能够迭代地提出假设、设计和执行实验、分析和可视化数据，并自主撰写论文。它采用了一种新颖的渐进式智能体树搜索方法，由实验管理器智能体管理，并通过VLM反馈循环增强AI审稿人，用于图表优化。评估方式是将三篇完全自主生成的论文提交至ICLR工作坊。

关键结果

三篇提交的论文中有一篇获得了超过平均人类接受阈值的分数，标志着首篇完全由AI生成的论文通过了同行评审。

局限性

三篇提交的论文中仅有一篇通过同行评审，表明性能不稳定
仅在工作坊级别得到验证，未达到完整会议论文水平

技术栈

PythonPyTorchVision-Language Model (VLM)

资源

论文代码