论文解决了什么问题
当前的自动化科研系统通常将研究构思与代码编写、实验运行等下游任务深度耦合，导致无法单独衡量研究想法本身的质量。此外，现有方法大多局限于在同一领域内寻找灵感，缺乏从其他学科借鉴底层机制来解决当前挑战的能力。这限制了生成方案的新颖性，也使得在缺乏真实实验反馈的情况下，难以可靠地评估和筛选出真正有潜力的研究提案。
核心方法
IdeaScientist 将科研构思解耦为缺陷发现（gap finder）、跨领域创新（innovator）和报告撰写（report writer）三个子智能体，由中央编排器协调并共享中间产物。系统构建了包含 277 万条解构研究想法的 Svalbard Idea Vault 语料库，供智能体进行跨领域文献检索与灵感提取。每个子智能体通过异步 GRPO 算法进行独立训练，采用结合无参考质量评分、人类参考对齐评分和引用准确率的复合奖励函数，以优化长程推理和工具调用轨迹。
方法与已有工作的区别
有原文依据与将构思与执行耦合的端到端 AutoResearch 系统（如 AutoResearchClaw、Dr. Claw）不同，IdeaScientist 将研究构思作为独立任务解耦，并分别训练子智能体；与依赖同领域文献检索的 DeepResearch 系统相比，IdeaScientist 显式引入了跨领域创新智能体，从其他学科寻找解决类似挑战的底层机制，并通过基于人类参考的复合奖励进行强化学习，而非仅依赖无参考的大模型评判。
实验结论
- 在 Qwen3.6-27B 上，IdeaScientist 的总体得分（新颖性与提案质量的平均值）比最强开源 AutoResearch 基线高出 14.0%。
- 在相同的 27B 开源骨干下，IdeaScientist 的表现超越 Claude Code SDK (Claude-4.8-Opus) 5.9%，超越 Codex SDK (GPT-5.4) 5.1%。
- 经过强化学习训练后，IdeaScientist 在新颖性指标上相比基线提升了 25%。
- 即使未经子智能体微调，IdeaScientist-Base 框架在 Qwen3.6-27B 上的总体得分（77.7%）也领先于 Claude Code SDK (68.7%) 9.0%。
- 在 Qwen3.6-27B 上总体得分超越最强开源基线 14.0%
局限性与证据边界
- 评估依赖大模型评判进行打分，可能存在偏好或风格奖励问题，且未进行真实的代码实现和物理实验验证。
- 评估采用事后对齐方法（与截断日期后发表的论文对比），这只能证明提案与人类后续研究方向的一致性，无法保证提案在实际执行中的可行性。
- 编排器（orchestrator）保持固定未进行训练，其狭窄的动作空间可能限制了系统处理更复杂研究流程的潜力。
- 训练和评估数据主要集中在机器学习领域的方法论论文，未涵盖调查、立场论文或纯经验工程报告，跨领域泛化能力有待验证。
- 提案在真实代码编写和物理实验环境中的最终执行成功率和可行性。
适合谁阅读
致力于自动化科研系统（AutoResearch）设计的研究者关注多智能体协作与长程任务强化学习（GRPO）的工程师探索大模型在科学发现与跨领域知识迁移中应用的研究人员Agent 系统科学智能
可核验的原论文来源和作者
- 作者
- 作者信息暂未从原始元数据中确认
- 来源
- arXiv
- 论文 ID
- 2610.04074