Toward Generalist Autonomous Research via Hypothesis-Tree Refinement
提出Arbor框架，通过假设树细化实现自主研究，显著提升多任务性能。
核心发现
方法论
Arbor采用长存的研究协调器与短命的执行器相结合，构建假设树作为持续的知识存储。研究流程中，协调器管理全局策略，利用假设树进行方向扩展、合并与修剪，执行器在隔离环境中实现具体假设。假设树节点绑定假设、证据、实现版本与洞察，支持逐层抽象与信息回传。通过在六个真实科研任务中的实验，Arbor在模型训练、硬件工程和数据合成等方面均优于基线，提升超过2.5倍的相对收益，并在MLE-Bench Lite中达成86.36%的Medal。
关键结果
- 在六个科研任务中，Arbor均实现最优验证指标，平均提升超过2.5倍，显著优于Codex和Claude Code。其在模型训练中的损失降低6.32%，架构设计优化带来7.55%的性能提升。数据合成任务中，搜索效率提升13%，数学推理任务中，验证得分提升19.79%。在MLE-Bench Lite上，Arbor以GPT-5.5达成86.36%的Medal，展现出强大泛化能力。
- 通过消融实验验证，假设树结构、证据回传和策略决策是性能提升的关键因素。
- 实验结果显示，Arbor在长远的科研探索中，能持续积累知识，逐步优化结果，体现出良好的可扩展性与稳健性。
研究意义
本研究突破了自主科研系统的长远规划与知识积累瓶颈，提出的Arbor框架实现了多任务、多阶段的持续优化，为未来AI在科学研究中的应用奠定基础。它解决了传统系统中难以维护的短视性问题，使得AI能像人类科学家一样，持续积累经验、优化策略。该方法不仅提升了科研效率，还推动了自动化科学探索的理论与实践发展，有望在药物设计、材料科学、数据分析等领域引发变革。
技术贡献
Arbor引入假设树作为持久的研究记忆，结合长存的协调器与隔离的执行器，实现了长远的假设管理与证据回传。其核心创新在于将科研过程建模为树状结构，支持多路径探索、合并与修剪，保证信息的可追溯性与可验证性。算法上，提出基于树的细化机制，结合策略决策与证据抽象，显著优于传统的线性或单路径搜索。系统实现方面，开源代码提供了完整的研究流程支持，推动科研自动化的落地。
新颖性
本工作首次将假设树引入自主科研，系统性地将长远策略与短期执行结合，突破了以往多任务系统多为线性或有限路径探索的局限。相比现有的自动化研究系统，Arbor强调持久的研究记忆与信息回传，确保知识的累积与验证。这一创新架构为自动科研提供了全新的理论基础和工程实现路径，具有重要的学术和应用价值。
局限性
- 当前系统在极端复杂或高维空间中的探索效率仍有限，部分假设可能导致搜索偏差。
- 对大规模数据和模型的依赖增加了计算成本，未来需优化资源利用。
- 假设树的结构可能在某些任务中变得臃肿，影响搜索效率。
未来方向
未来将探索更高效的树结构压缩与剪枝策略，结合强化学习优化策略决策，提升系统的自适应能力。同时，计划引入多模态信息融合，扩展到更广泛的科研场景，如药物设计和材料发现，推动自动化科学的全面落地。
AI 总览摘要
本研究提出了Arbor框架，旨在实现自主科研的长远规划与知识积累。传统的自动化系统多局限于短期任务执行，难以持续优化科研成果。Arbor通过构建持久的假设树，将研究过程中的假设、证据、洞察与实现版本有机结合，形成可追溯、可验证的科研记忆。系统由长存的协调器管理，短命的执行器实现具体假设，二者协作推动多路径探索、合并与修剪，确保研究的系统性与稳健性。在六个真实科研任务中的实验结果显示，Arbor在模型训练、硬件工程和数据合成等方面均优于现有方法，平均提升超过2.5倍，且在MLE-Bench Lite中以GPT-5.5达成86.36%的Medal，展现出强大的泛化能力。这一框架为自动化科学探索提供了新的理论基础和工程实践路径，有望推动AI在药物、材料、数据分析等领域的深度应用。未来工作将聚焦于树结构优化、多模态信息融合以及扩展到更复杂的科研场景，推动自动科研的持续发展。
深度分析
研究背景
科学研究历经数十年的发展，从早期的手工探索到现代的AI辅助，逐步实现了自动化与智能化。早期代表作如AutoML、AutoGPT等，解决了模型和算法的自动搜索问题，但仍受限于短期任务和单路径探索。近年来，系统如AI Scientist、Agent Laboratory、MARS等引入多阶段、多任务管理，但多为线性或有限路径。面对复杂科研问题，现有系统难以实现持续的知识积累与长远优化，亟需一种能管理多路径探索、信息回传和知识整合的框架。
核心问题
核心问题在于如何将科研过程中的多路径探索、假设管理与证据积累有机结合，形成持续的知识体系。传统系统多关注单次任务或短期优化，缺乏长远的策略规划与信息追溯能力。科研的复杂性在于假设的多样性、证据的多源性，以及多阶段的决策过程，如何在保证探索效率的同时，确保知识的可验证性和可追溯性，是亟待解决的难题。
核心创新
本研究的创新点包括：1）引入假设树作为持久的研究记忆，支持多路径探索与合并；2）设计长存的协调器，管理全局策略与信息流；3）采用信息回传机制，将实验结果抽象为洞察，逐层传递，增强知识积累；4）实现系统化的策略决策，确保验证性与可追溯性。这些创新使得自动科研系统能像人类科学家一样，持续积累经验、优化策略，突破了现有方法的局限。
方法详解
- �� 构建假设树：每个节点绑定假设、证据、实现版本与洞察。根节点代表整体方向，叶节点为具体实验。• 协调器管理树结构：观察当前状态，提出新假设，选择潜力节点，调度执行器。• 执行器在隔离环境中实现假设，返回证据、得分与洞察。• 证据回传：将实验结果写入节点，抽象出洞察，向上传递，更新树结构。• 策略决策：基于验证指标，合并、修剪或继续探索，确保验证性。• 迭代优化：持续扩展树，积累知识，提升最终成果。• 评估机制：在六个真实任务中验证效果，比较基线性能，分析各组件贡献。
实验设计
采用六个真实科研任务，包括模型训练、硬件调优和数据合成，使用特定指标如损失、准确率、验证得分。对比基线如Codex、Claude Code，设置相同资源预算。关键超参数包括树的最大深度、探索策略、证据抽象方法。通过消融实验验证假设树结构、信息回传和策略决策的作用。多轮实验显示，Arbor在所有任务中均优于对比方法，平均提升超过2.5倍，验证了其长远优化能力和知识积累效果。
结果分析
在模型训练任务中，Arbor将损失降低6.32%，架构优化带来7.55%的性能提升。在硬件工程中，搜索效率提升13%，验证得分提升19.79%。数据合成任务中，验证指标显著改善，整体性能优于现有系统。在MLE-Bench Lite中，Arbor以GPT-5.5达成86.36%的Medal，远超其他方法。消融研究表明，假设树的结构、证据回传和策略决策是性能提升的关键因素。这些结果证明了Arbor在长远科研探索中的优越性。
应用场景
该框架适用于药物设计、材料科学、自动化数据分析等科研领域，能显著提升研究效率和成果质量。系统依赖于明确的目标定义、丰富的假设空间和可靠的证据反馈，适合需要多阶段、多路径探索的复杂任务。未来，结合多模态信息与强化学习，将推动自动化科研的深度应用，缩短创新周期。
局限与展望
目前系统在极高维空间或复杂假设中探索效率仍有限，部分假设可能引入偏差。高计算成本限制了大规模应用，树结构可能在某些任务中膨胀过大。未来需优化资源利用、增强自适应能力，解决规模与效率的矛盾。
通俗解读 非专业人士也能看懂
想象你在做一个大项目，比如开一家餐厅。你需要想出菜单、采购食材、设计装修、招聘员工，还要不断试错。每次试验后，你会总结经验，比如某道菜受欢迎或不受欢迎，然后调整策略。传统方法就像一次次试菜，失败了就算了，但效率低。Arbor就像是你用一本笔记，把每次试菜的想法、结果、改进措施都记下来，逐步建立起一棵“菜谱树”。每次试验后，你会在树上标记，决定下一步做什么。这样，餐厅的改进就变成一个有序、持续的过程，积累的经验可以反复利用，最终让餐厅越来越好。这种方法让你像个聪明的厨师，不断学习、优化，最终做出最受欢迎的菜肴。
简单解释 像给14岁少年讲一样
想象你在做一个超级复杂的学校项目，比如设计一个机器人。你会先想到一些大点子，比如“让机器人跑得快”，然后一步步细化，比如“用更轻的材料”、“改进马达”。每次试验后，你会看到效果，然后决定下一步怎么做。以前，你可能每次都从头开始，失败了就算了，但这样太慢了。现在，如果你用一本笔记，把每个想法、试验结果、学到的教训都记下来，就像在画一棵“想法树”。每次试验后，你会在树上标记，告诉自己“这个方向有效”或“这个不行”。这样，你就能更聪明地选择下一步，慢慢让机器人变得更厉害。这个方法就像是用智慧的笔记，帮你把所有的尝试都整理好，最终让你的机器人变得超级棒！
术语表
Hypothesis Tree (假设树)
一种持久的树状结构，用于存储科研假设、证据和洞察，支持多路径探索和信息回传。
在Arbor中，假设树作为核心研究状态，管理假设、证据和决策。
Autonomous Optimization (自主优化)
一种无需人工干预，通过连续试验和证据积累，优化科研对象的过程。
论文将AO定义为系统自主改进研究成果的核心任务。
Evidence-Structured Research (证据结构化研究)
以证据和洞察为基础，系统管理科研假设和实验结果的过程。
Arbor利用证据结构化推动长远科研探索。
Hypothesis Refinement (假设细化)
通过树状结构逐层优化和合并假设，提升科研效率。
系统在假设树上进行细化与合并，逐步逼近最优解。
Research Coordinator (研究协调器)
负责管理假设树、策略决策和全局探索的长存实体。
协调器调度执行器，维护整体研究流程。
开放问题 这项研究留下的未解疑问
- 1 如何在极端复杂或高维空间中保持探索效率？目前假设树在大规模任务中可能膨胀，影响搜索速度。未来需研究更高效的剪枝与压缩策略，以应对更复杂的科研场景。
应用场景
近期应用
自动化科研平台
结合Arbor框架，提升药物设计、材料发现等科研任务的自动化水平，实现持续优化与知识积累。
远期愿景
智能科研助理
未来AI能像科学家一样，持续探索未知领域，自动提出假设、设计实验、总结经验，极大缩短创新周期。
原文摘要
Scientific progress depends on a repeated loop of exploration, experimentation, and abstraction. Researchers test candidate directions, interpret the evidence, and carry the resulting lessons into later attempts. We study how an AI agent can run this loop autonomously over long horizons. We introduce Arbor, a general framework for autonomous research that combines a long-lived coordinator, short-lived executors, and Hypothesis Tree Refinement (HTR), a persistent tree that links hypotheses, artifacts, evidence, and distilled insights across time. The coordinator manages global research strategy over the tree, while executors implement and test individual hypotheses in isolated worktrees. As results return, Arbor updates the tree, propagates reusable lessons, refines the search frontier, and admits verified improvements. This design turns autonomous research from a sequence of local attempts into a cumulative process in which strategy, execution, and evidence are carried across time. We evaluate Arbor under Autonomous Optimization (AO), an operational setting where an agent improves an initial research artifact through iterative experimentation without step-level human supervision. Across six real research tasks in model training, harness engineering, and data synthesis, Arbor achieves the best held-out result on all six tasks, attaining more than 2.5x the average relative held-out gain of Codex and Claude Code under the same task interface and resource budget. On MLE-Bench Lite, Arbor reaches 86.36% Any Medal with GPT-5.5, the strongest result in our comparison.