科学智能双路线：全模态 AI 科学家、科学基座模型与长程研发评估

2026-08-14 · 每日调研

为什么重要

「AI 做科研」正在从演示走向体系化竞争：一条路线把科学能力训练进基座模型（科学智能体基座），另一条路线把科学严谨性构建进多智能体流程（全模态 AI 科学家）。本周 arXiv 同时出现这两个方向的重量级工作——上海 AI Lab 的 Intern-S2-Preview-397B 与 NUS/Oxford 的 OmniScientist，外加美团对 7 个前沿模型长程研发能力的系统评估。三者合起来回答了同一个问题：自主科研离我们还有多远，瓶颈在模型、流程还是评估本身。

核心论文解读

1. Intern-S2-Preview：科学智能体基座模型（官方技术报告）

arXiv:2608.13505（cs.LG / cs.CL / cs.CV）· InternLM / 上海 AI 实验室 · 模型：huggingface.co/internlm/Intern-S2-Preview-397B · 代码：github.com/InternLM/Intern-S1（843 stars）

主模型 397B（另有 35B 高效版），目标是把「科学多模态理解 + 推理 + 生成 + 长程工具交互」压进单一模型。训练管线是全文最硬核的部分：

• 科学多模态预训练：直接在渲染后的科学文献页面上做 visual pre-training（预测视觉潜在表示），配合 interleaved PDF 数据与图像检索流水线，保留文本-视觉对应关系。
• 可扩展多任务 RLVR：20+ 科学领域联合强化学习，配套 GEPO（组级熵控策略优化，按任务组熵平衡探索/利用）、partial rollout + off-policy correction、自适应长度正则、在线投机解码。
• 黑盒/白盒 agentic RL：harness × task 抽象解耦 agent 运行时与任务分布，任务来自 SWE-bench 系、终端基准与自进化任务合成；推理专家与 agentic 专家分别训练后经 on-policy distillation 合并。
• 架构新增量：时间序列模块升级（chunk + compressive patching + Q-Former，最大输入 30 万时间步、约 5-6× 推理加速、显存降至 20%），并加数值预测分支（专用因果 Transformer forecaster，horizon predictor 准确率 99%）避免用离散 token 生成数值损失精度。
• Memory Decoder：冻结 397B 骨干，外挂参数化记忆 + token 级路由器做分布融合——新领域专业化不再重训骨干。Intern-MemDec-4B 把 Biology-Instructions 从 56.92 提到 60.32。

关键评测数字（自报）：

核心主张：科学能力可以像通用能力一样被 RL「训练出来」——以 397B 的规模在多个科学基准上超越/追平万亿参数前辈与闭源模型，说明科学智能体基座路线在工程上已经跑通。

2. OmniScientist：全模态全学科 AI 科学家

arXiv:2608.13558（cs.AI / cs.CL）· 新加坡国立大学 + 牛津 · 项目页：omni-scientist.github.io · 代码：github.com/Omni-Scientist/OmniScientist

与 Intern-S2 相反，OmniScientist 不训练新模型，而是构建一个直接从异构原始证据做研究的确定性流水线：感知层 + 三个自主 agent（选题/实验/写作），每阶段用 ReAct 循环让观测真正影响研究问题、实验设计与最终主张。

• 证据分类学：把科学证据分成 4 个学科无关家族——感知型（图像/光谱/波形/3D）、符号型（文本/公式/序列/知识图谱）、量化统计型（表格/测量/分布）、过程型（轨迹/仿真/agent 痕迹）。新增学科只需写一个 specification 文件。
• 代码强制检查（本工作最大卖点）：idea check（新颖性 + 可证伪性）、rigour check（泄漏检测、有效样本量、执行溯源、多重比较、anti-HARKing——禁止事后诸葛式假设）、claim check（论文里每个数字必须能追溯到执行记录）。任何通不过的结论被退回或降级为「未支持分析」。
• 评测：36 个真实数据案例 × 5 大学科家族，全部完成「原始数据 → 成稿论文」全流程，平均论文分 6.3/10（7 维评分、双跨家族评委）。与只喂预计算标量特征的盲版对照：全感知在全部 7 个维度胜出，head-to-head 胜率 85%。

几个示例发现能直观说明「直接感知」的价值：地震学里 21.7% 被标记为噪声的迹线其实含相干瞬变（极化与跨通道一致性是关键线索）；心音数据集里「元数据捷径」在留一队列评估下 AUC 从 0.60 崩到 0.35——模型学的是录音棚而非心脏；材料学随机划分比留一材料族划分误差低 3.1-7.0×。

注意：6.3 分是作者自设演示套件 + 自家评委的结果，非外部盲评基准；36 案例中感知型占 28 个，学科覆盖偏向视觉/信号类数据。

3. Beyond Final Scores：长程 AI 研发的系统性评估框架

arXiv:2608.13417（cs.AI）· 美团 + 中科院

这篇不是新系统，而是对「自主研究能力」的冷静测量：7 个前沿模型 × 36 个长程任务，用规则化指标（非 LLM 裁判）把单次 run 拆成 Solution Framing / Execution / Feedback Control 三维，并做受控对比检验经验复用。

结论相当克制：

• 当前 agent 更像「工程优化器」而非自主研究者——能提出并实现可行方案，但跨 run 方差大，最强解主要是改编/组合已有技术，真正的方法论新颖性仍然罕见。
• 经验复用是双刃剑：既可能提升后续决策，也可能误导（把失败模式固化）。
• 相同最终得分可能来自完全不同的过程瓶颈；harness 设计显著影响性能稳定性。

价值：给「AI 科研能力」提供了超越最终分数的诊断语言——未来评估应同时报告过程指标（framing/execution/feedback）与经验复用效应，否则分数会掩盖真正的瓶颈位置。

相关工作

• DFM Mimir v1（arXiv:2608.13517，官方技术报告）：丹麦基础模型项目 1B 参数 HRM 架构模型，只用「许可数据」后训练（161 数据集、约 705 亿 token/epoch），并用合成「移植数据集」替换不可许可数据——丹麦语 SOTA，英语可对标 Qwen3.5-4B / Gemma4-E2B。模型：huggingface.co/danish-foundation-models/DFM-Mimir。低资源语言 + 数据合规路线的范本。
• AutoDesign（arXiv:2608.13560，技术报告，含代码）：元 harness 优化框架，把「论文→学术海报」建模为长程 agentic 过程，PosterBench 主轨 78.32 分，超 Claude Design 7.45 分；253 次工具调用 + 11 轮编辑、40 分钟、成本 <$3。
• SAEVerbalizer（arXiv:2608.13538）：把 SAE decoder 方向注入 LLM 表征并微调下游层，直接为 SAE 特征生成自然语言解释；泛化到未见特征、跨 SAE 词典、跨模型（轻量 adapter）——解释性基建又进一步。
• LittleLearner / LITTLECURRICULUM（arXiv:2608.13545）：88B token 的「小学 5 年级以下」受控预训练语料 + 5B 模型，研究知识获取边界；post-training 与 in-context learning 只能更好利用已有知识，不能提升越界能力。

我的判断

① 两条路线不是二选一，而是「上限」与「可信」的分工。Intern-S2 证明科学能力可以 RL 进基座（上限高、成本高、黑盒）；OmniScientist 证明严谨性可以构建进流程（依赖骨干模型、但每个结论可审计）。最可能的终局是融合：基座提供领域能力，流程层提供可证伪性与溯源。

② anti-HARKing 与执行溯源将成为 AI 科学家的「安全气囊」。Agent 自主性越高，自我欺骗风险越大（先跑结果再编假设、多重比较挑显著项）。OmniScientist 把检查写进代码而不是靠 prompt，这个方向应该成为所有科研 agent 的默认配置。

③ Beyond Final Scores 的结论值得警惕：方法论新颖性依然稀缺。「agent 更像优化器」意味着我们离真正的 AI 发现（而非 AI 加速执行）还有距离——评估框架的成熟（过程指标 + 经验复用）是推动下一步进步的必要条件。

④ Memory Decoder 式外挂记忆（冻结骨干 + token 级路由融合）是低成本领域专业化的务实路径，对预算有限的团队尤其有参考价值；时间序列数值预测分支的设计（专用分支而非文本 token 生成）也值得做科学数据的工程团队借鉴。

局限：Intern-S2 为 preview 技术报告，关键数字为自报、无第三方复现；OmniScientist 的 6.3 分来自自家演示套件与自家评委；两者代码仓库均较新，复现成本高。美团评估虽口径严谨，但 36 个任务偏工程优化类，对「真正开放的探索性研究」覆盖有限。