English(EN) POSEIDON: Scaling Training Environments for Scientific Agents from Code Repositories

新流程生成 97,000 多个科学智能体训练环境

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-26 04:00

研究人员开发了 Poseidon，这是一个自动化流程，旨在通过从科学代码存储库中提取，为科学智能体生成大量多样化且可验证的训练环境。该方法将科学工作流分解为四种不同的任务类型，与以前的方法相比，显著增加了环境数量。由此产生的名为 Pearl 的集合，包含来自 10 个科学学科的 7,110 个存储库的 97,000 多个环境，使其成为迄今为止最大、最多学科的此类集合。在 Pearl 上训练的模型，例如 Qwen3.5 变体，在六个科学智能体基准测试中表现出持续的改进。 AI

影响这项工作通过提供一种可扩展的方法来创建多样化的训练环境，有望加速科学发现智能体的开发。

排序理由该集群描述了一种生成科学智能体训练环境的新方法，该方法在 arXiv 论文中有详细介绍。[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 →

本文如何被排名

Signal score: 18 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一种生成科学智能体训练环境的新方法，该方法在 arXiv 论文中有详细介绍。[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, infra; 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]

arXiv cs.AI TIER_1 English(EN) · Qifan Zhang, Yuhan Li, Nuo Chen, Bowen Liu, Xiao Hu, Miao Peng, Chenyi Zi, Lixin Liu, Lydell Huang, Jing Tang, Jia Li · 2026-10-26 04:00

POSEIDON：将科学代理的训练环境从代码仓库进行扩展

arXiv:2610.32448v1 Announce Type: new Abstract: Training environments remain a major bottleneck for agents in data-driven scientific discovery. Existing collections of executable and verifiable training environments are small, and their construction remains difficult to scale. To…

本文如何被排名

报道来源 [1]

POSEIDON：将科学代理的训练环境从代码仓库进行扩展

相关实体

相关话题