InternAgent-1.5：面向长期自主科学发现的统一智能体框架 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery
统一架构实现跨学科端到端科学发现，在推理基准和算法/经验发现任务上均达到领先水平
前置知识
AI科学家系统（AI Scientist）
AI科学家系统是一种能够自主执行完整科学研究流程的智能系统，包括文献分析、假设生成、实验设计、代码实现、结果验证等环节。与传统的AI辅助工具不同，AI科学家系统强调端到端的自主性，能够在较少人类干预的情况下完成从问题定义到结论输出的全过程。代表性工作包括AI Scientist、AlphaEvolve等，它们通过大语言模型协调计算建模、实验执行和跨学科推理来加速科学进展。
本文提出的InternAgent-1.5正是在现有AI科学家系统基础上的演进，理解这一概念有助于把握本文的定位和贡献
蒙特卡罗树搜索（MCTS）
蒙特卡罗树搜索是一种用于决策过程的搜索算法，通过反复进行选择（Selection）、扩展（Expansion）、模拟（Simulation）和回溯（Backpropagation）四个步骤来探索解空间。它在保持探索-利用平衡方面表现出色，被广泛应用于游戏AI（如AlphaGo）和优化问题中。传统MCTS使用树结构组织搜索过程，本文在此基础上引入了图结构来增强信息聚合能力。
本文的核心方法Graph-Augmented Monte Carlo Search是传统MCTS的改进版本，理解原始算法有助于认识本文的创新之处
知识图谱（Knowledge Graph）
知识图谱是一种以图结构组织知识的表示方法，由节点（代表实体、概念）和边（代表实体间的关系）组成。与传统的三元组知识图谱不同，本文构建的是异构图，节点包括文档、关键概念、方法、数据集、实验设置和问题陈述等多种类型，边则编码引用、副产物等类型化关系。这种设计使得单一研究想法能够处于多个方法论和应用社区的交叉点。
跨学科知识图谱是InternAgent-1.5深度研究能力的核心支撑，理解其构建方式有助于把握系统的知识整合机制
长期记忆机制
长期记忆机制使智能体能够在长时间范围内保持上下文连续性和学习积累。本文设计了三层结构化认知记忆：策略-程序记忆（SPM）存储可复用的推理结构，任务-情景记忆（TEM）提供细粒度的实验轨迹证据，语义-知识记忆（SKM）整合跨会话的概念信息并支持研究目标的长期演化。这种分层设计分别支持短期优化、中期适应和长期概念发展。
结构化认知记忆是InternAgent-1.5实现长期自主运行的关键创新，理解其设计有助于认识系统如何积累和利用经验
研究动机
当前AI科学家系统在支持自主跨学科发现方面存在四大核心限制。首先，许多系统采用领域特定架构（Domain-Specific Architectures），如AI Scientist专注于算法优化、AI Co-Scientist专注于生物医学，这些系统将强领域假设嵌入架构设计中，难以在科学领域间进行统一推理。其次，现有框架对异构干湿实验的支持不完整，导致核心科学能力覆盖不均，例如AI Scientist不支持湿实验室实验，Robin不支持算法发现。第三，优化过程通常基于轨迹局部更新的线性优化流水线（Linear Optimization Pipelines），无法在更广泛的搜索过程中整合信息来改进科学提案。最后，大多数系统缺乏持久记忆机制，无法在长时间研究周期中保持连续性，限制了迭代优化和长期自主操作的能力。如Table 1所示，没有任何现有系统同时具备算法发现、经验发现、深度研究、解决方案优化、湿实验室和持久运行六大能力。
本文的目标是本文的具体目标是构建一个统一的端到端科学发现系统，能够同时支持算法发现（将目标转化为形式系统中的解决方案）和经验发现（将观察转化为关于物理世界的一般化结论）。系统需要具备三大基础能力：深度研究（大规模文献分析和跨学科知识整合）、解决方案优化（多轮并行实验优化）和长期记忆（跨周期的持续知识积累）。在性能目标上，系统需要在GAIA、HLE、GPQA、FrontierScience等科学推理基准上达到领先水平，并在算法发现和经验发现任务中展现竞争力，证明统一框架能够从基准级推理扩展到实际科学工作流。
与已有工作不同的是，本文的独特切入角度在于采用科学哲学（philosophy of science）的认识论视角，将科学发现任务分为算法发现和经验发现两个基本领域，并认识到支持这两个领域的框架需要统一的架构原则。与现有工作的本质区别在于：InternAgent-1.5不是简单地将多个垂直领域系统组合在一起，而是基于一个共同的观察——跨领域的科学探究可以被组织成包括基于文献的假设构建、方法论评估和基于证据的精化在内的通用结构。这种设计理念使得系统能够通过三个协调子系统（Generation、Verification、Evolution）和相应的基础能力来操作化这些过程，建立了适合计算和经验科学任务的通用框架，突破了局限于单领域算法发现的架构限制。
核心方法
InternAgent-1.5的整体思路可以用一个比喻来理解：想象一个由三个部门组成的科研团队——研究部负责文献调研和假设提出（Generation），实验部负责方案验证和优化（Verification），战略部负责经验总结和方向调整（Evolution）。这三个部门通过共享的知识库和记忆系统紧密协作。技术路线上，系统首先构建跨学科知识图谱，将论文、概念、方法等科学元素组织成异构图结构；然后通过动态流程图（Flow Graph）将研究问题分解为有依赖关系的子任务，以有向无环图（DAG）形式组织推理过程；接着采用图增强蒙特卡罗搜索框架进行多轮并行实验优化，通过四个图算子（主扩展、分支内进化、跨分支引用、多分支聚合）在解空间中高效搜索；最后通过三层结构化认知记忆（策略-程序记忆、任务-情景记忆、语义-知识记忆）实现跨周期的知识积累和策略更新。
本文最核心的创新在于提出三子系统加三基础能力的统一架构设计。与已有方法的本质区别体现在三个层面。第一，在架构层面，现有系统要么专注于单一领域（如AI Scientist的算法优化），要么是多个独立系统的简单组合，而InternAgent-1.5通过Generation-Verification-Evolution三个协调子系统建立了通用的科学发现流程，每个子系统由一个基础能力驱动（深度研究、解决方案优化、长期记忆），形成了能力与子系统的对应关系。第二，在优化机制层面，传统方法使用线性轨迹或树结构搜索，本文提出图增强蒙特卡罗搜索，引入跨分支引用和多分支聚合算子，使得不同搜索路径的发现能够相互借鉴，解决了孤立轨迹和未利用搜索历史的问题。第三，在记忆机制层面，不同于简单的轨迹存储或向量检索，本文设计了三层互补的记忆结构，分别捕获程序性知识（如何做）、情景性知识（做了什么）和语义性知识（意味着什么），实现了短期适应、中期调整和长期发展的统一。
方法步骤详情
InternAgent-1.5的完整工作流程包括以下步骤。第一步，跨学科知识图谱构建：系统从论文、综述、技术报告等来源解析科学信息，通过领域无关的命名实体识别和名词短语挖掘识别候选实体，利用文档级共引和共用关系建立初始概念链接，然后进行节点类型和边语义的细化，最终构建包含文档、概念、方法、数据集等多类型节点的异构图。第二步，动态流程图构建：从根查询节点开始，规划器识别需要进一步分解或上下文富集的节点，生成后继节点并更新依赖边，每个节点被表示为元组 $v_i = (t_i, d_i, s_i, c_i)$，其中 $t_i \in \{search, solve, answer\}$ 指定任务类型，$d_i$ 描述任务内容，$s_i$ 跟踪执行状态，$c_i$ 存储完成后的知识上下文。第三步，图引导的输出合成：可执行节点根据依赖状态激活，被分配给智能体进行分解和顺序推理，完成后更新状态并将知识上下文传播到依赖节点。第四步，多轮并行优化：采用图增强蒙特卡罗搜索，通过主扩展、分支内进化、跨分支引用和多分支聚合四个算子生成新方案，在计算模拟器或物理实验系统中执行评估，将分数通过祖先路径回溯传播。第五步，结构化认知记忆更新：实验结束后，SPM提炼可复用程序结构，TEM存储包含方法 $m$、指标 $y$ 和改进判断的情景单元，SKM通过对比学习提取高级方法论原则和低级实验启发式，构建长期经验库和创新性评分 $nov(c) = 1 - \max_{x \in G} sim(f_{enc}(c), f_{enc}(x))$ 以鼓励探索新方向。
技术新颖性
InternAgent-1.5的技术新颖性体现在以下几个方面。首先，跨学科知识图谱的设计不同于传统知识图谱的三元组表示，本文的图谱捕获更丰富的科学元素，包括文档、关键概念、方法、数据集、经验设置和问题陈述，边编码引用、副产物等类型化关系，使得跨领域依赖作为路径而非孤立点出现。其次，动态结构化知识流（Dynamic Structured Knowledge Flow）将研究过程建模为有向无环图 $G = (V, E)$，支持非线性和动态依赖关系的捕获，避免了顺序研究过程中的信息冗余和早期假设过度依赖。第三，图增强蒙特卡罗搜索框架在保持经典MCTS探索-利用平衡的同时，用动态解聚图替代刚性树结构，四个图算子特别是跨分支引用和多分支聚合，使得搜索过程中发现的有价值设计元素能够在不同分支间迁移和组合，这是传统树搜索无法实现的。第四，三层结构化认知记忆的分层设计（SPM/TEM/SKM）分别对应程序性、情景性和语义性知识，通过对比学习和新颖性评分机制，实现了知识的积累、检索和创新性探索的统一，这比简单的轨迹存储或向量检索更具结构性和功能性。
实验结果
InternAgent-1.5在多个维度的评估中均展现出领先的性能。在科学推理基准测试方面，系统在SGI-Bench的Deep Research和Idea Generation赛道分别达到37.74%和58.11%，大幅超越第二名（分别为18.48%和55.40%）。在GAIA验证集上，InternAgent-1.5取得86.06%的平均准确率，超越闭源系统Manus（73.30%）和领先的开源模型Mirothinker（80.8%）。在HLE基准上，系统在文本设置下达到40.87%，在全集上达到40.00%，优于Gemini-3-pro-preview（38.04%）和GPT-5（24.80%）。在FrontierScience上，Olympiad任务达到77.20%（超越DeepSeek-V3.2-Thinking的64.70%），Research任务达到12.00%（超越Mirothinker的7.50%）。在GPQA-diamond上，系统以87.37%的平均准确率创下新纪录，特别在化学（79.57%）和物理（96.51%）领域表现突出。在科学算法发现任务上，InternAgent-1.5在所有六个任务中均优于基线和InternAgent-1.0，AutoEAP任务的Pearson相关系数从0.65提升至0.91，AutoMD任务的力MAE从0.158降至0.114。在AI算法发现上，AutoTTS准确率从70.9提升至72.5，AutoMem的F1从0.2338提升至0.2785，AutoLM准确率从0.880提升至0.904。在经验发现任务中，系统成功复现了GPR160作为HCC治疗靶点、ARG2作为CRC机制性靶点的发现，自主设计的气候降尺度深度学习方法将RMSE从Kriging的3.1658降至0.8488，在反应产物预测上Top-1准确率达到0.86（超越Gemini-3-Pro-Thinking的0.81）。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| SGI-Bench Deep Research | 准确率 | 37.74% | 18.48% (Gemini-3-pro) | +19.26% |
| SGI-Bench Idea Generation | 准确率 | 58.11% | 55.40% (GPT-5) | +2.71% |
| GAIA验证集 | 平均准确率 | 86.06% | 80.80% (Mirothinker) | +5.26% |
| HLE全集 | 准确率 | 40.00% | 38.04% (Gemini-3-pro-preview) | +1.96% |
| FrontierScience Olympiad | 准确率 | 77.20% | 64.70% (DeepSeek-V3.2-Thinking) | +12.50% |
| FrontierScience Research | 准确率 | 12.00% | 7.50% (Mirothinker) | +4.50% |
| GPQA-diamond | 平均准确率 | 87.37% | 85.35% (GPT-5) | +2.02% |
| 科学算法 AutoEAP | HK-PCC | 0.91 | 0.79 (InternAgent-1.0) | +15.19% |
| 科学算法 AutoMD | Energy-MAE | 0.114 | 0.148 (InternAgent-1.0) | -22.97% |
| 反应产物预测 Fwdmajor | Top-1准确率 | 0.86 | 0.81 (Gemini-3-Pro-Thinking) | +6.17% |
| 气候降尺度 | RMSE | 0.8488 | 0.9049 (BCSD) | -6.20% |
局限与改进
尽管InternAgent-1.5取得了显著成果，但仍存在以下局限性。首先，系统的计算成本较高，需要调用多个大语言模型进行迭代推理和优化，在资源受限的环境中部署存在挑战。其次，在某些任务上的性能提升幅度相对有限，例如HLE全集仅比Gemini-3-pro-preview提升1.96%，GPQA-diamond仅比GPT-5提升2.02%，表明在专家级科学推理上仍有较大提升空间。第三，系统在FrontierScience Research任务上的整体表现仍然较低（12.00%），说明在开放式科学研究任务上的能力仍需加强。第四，论文中提到的湿实验室实验主要通过SCP（Science Context Protocol）协调自动化设备执行，但对实验设备的依赖和标准化程度的讨论不够充分。第五，虽然系统展示了跨领域发现能力，但在真正需要深度领域专业知识的任务上（如某些生物医学发现），其表现与领域专家相比仍有差距。此外，论文对失败案例的分析较少，未能充分揭示系统在哪些类型的任务上容易失败以及失败的原因。
独立分析的弱点
从独立分析的角度，InternAgent-1.5存在以下弱点及改进方向。第一，计算效率问题：系统在GAIA Level 3任务上平均需要37.33次工具调用，Level 2需要21.22次，这表明复杂任务的推理路径较长，可以通过引入更高效的检索策略或早期剪枝机制来减少不必要的工具调用。第二，记忆检索的精确性：论文中的记忆检索主要基于语义相似度，但在科学发现场景中，结构化约束（如方法论类型、适用领域）同样重要，可以引入混合检索策略，结合语义匹配和知识图谱的结构化查询。第三，跨领域知识迁移的深度：虽然系统构建了跨学科知识图谱，但论文中展示的跨领域发现案例（如将化学方法迁移到材料科学）相对较少，未来可以设计更明确的跨领域知识迁移机制和评估指标。第四，实验验证的闭环：系统目前主要通过SCP协调湿实验室设备，但对实验失败的诊断和方案调整能力有限，可以引入更robust的实验失败分析和自动重试机制。第五，可解释性：系统的决策过程（如为什么选择某个研究方向、为什么采用某种优化策略）的可解释性不足，可以设计决策日志和推理链的可视化机制。
未来方向
基于本文成果，未来研究可以从以下几个方向展开。第一，作者提到的方向——加强计算推理与实验验证之间的耦合，加速从生成假设到可验证结果的转变，这可以通过设计更紧密的dry-lab和wet-lab集成工作流来实现。第二，长期自主学习的深化：当前的记忆机制主要存储成功和失败的经验，未来可以引入更复杂的元学习机制，使系统能够学习如何学习，即自动识别哪些类型的问题适合哪种解决策略。第三，多智能体协作的扩展：当前系统主要在单智能体框架内运行，未来可以探索多个InternAgent实例的协作，让它们分别专注于不同领域或不同阶段的发现任务，通过共享知识图谱和记忆系统实现协作。第四，评估基准的完善：当前的评估主要集中在已有基准上，未来可以设计更贴近真实科学发现流程的评估框架，包括假设的新颖性、发现的影响力等难以量化的指标。第五，人机协作模式：探索科学家与InternAgent-1.5的最佳协作模式，使系统能够有效地接受人类指导并在关键决策点寻求人类确认。
复现评估
从复现评估角度看，InternAgent-1.5具有较好的可复现性基础。论文在GitHub上开源了代码（https://github.com/InternScience/InternAgent），提供了系统实现的详细文档。在数据方面，系统使用了多个公开基准（GAIA、HLE、GPQA、FrontierScience等）和公开数据集（Suzuki-Miyaura、ETTh1、MD17等），使得实验结果可以被独立验证。然而，复现存在一定挑战：第一，系统依赖多个大语言模型（论文中使用了Gemini-3-pro、o4-mini、Qwen3-235B等），需要相应的API访问权限和计算资源；第二，某些经验发现任务（如湿实验室实验）需要特定的实验设备和自动化平台，普通研究团队难以复现；第三，系统的完整运行涉及多个组件（知识图谱构建、流程图、蒙特卡罗搜索、记忆系统），配置和调试的复杂度较高。总体而言，算法发现任务的复现难度较低，经验发现任务的复现需要相应的领域资源和设备支持。
论文图表
