English(EN) Learning the ARTS of Search for Automated Discovery

新的ARTS AI方法通过推理模型加速科学发现

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-20 05:47

研究人员推出了一种名为Agentic Reasoning for Tree Search (ARTS) 的新颖科学发现方法，该方法利用推理语言模型来导航假设和实验空间。与混淆假设优劣与实验执行质量的传统方法不同，ARTS诊断失败，以区分错误的实现和有缺陷的假设。该系统表现出显著的改进，在MLGym和MLEBench的22项任务上，其性能比领先算法高出15.3%以上。此外，ARTS表明，具有测试时训练的Qwen3-4B模型可以以显著更低的推理成本，实现与Gemini 3 Pro和GPT o3-reasoning等闭源前沿模型相当的性能。 AI

影响这种方法可以通过提高假设生成和测试的效率和有效性，显著加速AI驱动的科学研究。

排序理由该集群描述了一篇关于用于科学发现的新型AI方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇关于用于科学发现的新型AI方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 69 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Xin Eric Wang · 2026-06-20 05:47

学习搜索的艺术以实现自动化发现

Scientific discovery can be formulated as an iterative search process over the space of hypotheses and experiments. Contemporary methods navigate this space using heuristics such as MCTS. These algorithms conflate the merit of a hypothesis with the quality of its experimental exe…

本文如何被排名

报道来源 [1]

学习搜索的艺术以实现自动化发现

相关实体

相关话题