PulseAugur
中
实时 07:31:30
English(EN) Learning the ARTS of Search for Automated Discovery

新的ARTS方法通过推理LLM增强自动化科学发现

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文介绍了一种名为“Agentic Reasoning for Tree Search”（ARTS）的方法，该方法使用推理语言模型来改进自动化科学发现。ARTS能够区分错误的假设和糟糕的实验执行，在MLGym和MLEBench的22项任务上，其性能比现有的启发式算法提高了15.3%以上。值得注意的是，采用ARTS并结合测试时训练的Qwen3-4B模型，在显著降低推理成本的同时，取得了与Gemini 3-Pro和GPT o3-reasoning等闭源模型相当的性能。 AI

影响 这项研究通过提高自动化假设检验和实验设计的效率和有效性，有可能加速科学突破。

排序理由 研究论文，详细介绍了一种新的自动化发现方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的ARTS方法通过推理LLM增强自动化科学发现

本文如何被排名

Signal score
22 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
研究论文，详细介绍了一种新的自动化发现方法。[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
Breaking (< 6h)
Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Gurusha Juneja, Arnav Kumar Jain, Deepak Nathani, William Yang Wang, Xin Eric Wang ·

    学习搜索的艺术以实现自动化发现

    arXiv:2606.21891v2 Announce Type: replace Abstract: 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…

相关实体

相关话题