DiscoveryRSI：让模型在递归自我改进中学会提出有价值的科学假设

科学发现真正难的地方，往往不在于写出一句听起来新颖的猜想，而在于把这句猜想一步步推进成能被检验的研究。现有的研究智能体大多只看最终产出，很少从假设逐步演化、被反复修订的过程中吸取经验。这篇论文想解决的正是这个缺口：模型如何从自己漫长的研究轨迹里学会判断，什么样的假设值得投入。作者先给出一个操作性定义，把「有价值且可检验的假设」拆成几个必须同时具备的部分：它是基于证据的主张，指向真正重要的不确定性；它配有可行的调查方案；它写明了明确的判定标准，也就是看到什么结果算支持，看到什么结果算反驳；它还列出备选解释，防止研究者只盯着自己偏爱的那一种答案。在此基础上，论文提出 DiscoveryRSI 框架，让模型在递归自我改进中持续提升提出假设的能力，并配套提出 DFM-Bench 基准来衡量这种提升。在方法层面，DiscoveryRSI 先用多智能体进化搜索构建假设树。多个智能体围绕同一个研究方向提出、批评、修订假设，不同的分支代表不同的发展路径。被选中的调查方案会被编译成可执行的 Harbor 任务，这样研究不再停留在文字描述，而是可以真正运行并留下记录。随后是三种递归学习机制。

第一种是假设信用优化，它把科学评估的结果归因到文档里记录的具体研究贡献上，让模型知道哪一步修订真正提高了假设的质量，而不是把功劳笼统地算在整条轨迹上。第二种是 harness 回放，它回看已有的研究运行，找出有效的策略和反复出现的失败模式，用来改进研究工作流本身。第三种是重新发现，它把已被接受的改进应用到新的调查上，新调查又产生新的经验，供下一轮学习使用。三者首尾相接，构成一个闭环：搜索产生经验，经验改进工作流和模型，改进后的系统再去搜索。DFM-Bench 的设计同样值得注意。它不只给最终假设打一个总分，而是在假设、修订、发展路径和研究运行四个层次上评估，既看单个假设好不好，也看多轮修订之后研究是否真的在累积进展。实验覆盖四个生命科学领域。自动评测中，假设质量从基础模型的 4.86 提高到两轮自我改进后的 5.39，其中可证伪性和数据可解析性的提升最为明显，这与框架强调判定标准和可执行调查的设计方向一致。作者还做了专家评审。

初步的人工评估显示，DiscoveryRSI-27B 在假设的重要性，以及主张是否合理且受证据约束这两项上，得分高于 GPT-6 Luna。更有说服力的是与未来文献的对照：以模型截止日期之后发表的研究为参照，DiscoveryRSI-27B 的假设对应率为 6.3%，明显高于 GPT-6 的 2.5% 和 Claude Opus 5 的 2.3%。同时，人工评分也显示它沿研究路径带来了更大的改进。需要说明的是，人工评估目前还只是初步结果，样本规模和覆盖面有待更多验证。这项工作的意义首先在于把「好假设」从一种凭感觉的评价变成可以操作、可以度量的对象。可证伪性、数据可解析性这类指标，让研究智能体的改进有了明确的优化方向。其次，它说明一个 27B 规模的模型，通过递归地从自己的研究过程中学习，可以在假设质量上接近甚至超过更大的闭源模型，这对资源有限的开源社区是个积极信号。再次，把调查编译成可执行任务、并对研究过程做细粒度归因，为工业界的自动化研究流程，例如药物靶点筛选或实验方案设计，提供了可借鉴的工程思路。对后续研究而言，DFM-Bench 提供了一把跨层次的尺子，可以用来比较不同研究智能体的累积进展，而不只是比较一次性的输出。当然，6.3% 的对应率说明距离稳定地预见真实发现还很远，评测也仅限于四个生命科学领域，能否推广到其他学科，仍是需要继续回答的问题。