InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery
这是什么
InternAgent(前身 NovelSeek)是上海 AI Lab 的端到端自动科研系统,1.0 版(2025.05)把"假设生成→实验验证"流程跑通了 12 类科研任务。1.5 版技术报告(2026.02)的核心变化是架构重组:不再按流水线阶段组织,而是拆成三个循环耦合的子系统——Generation 负责调研文献、生成假设和方案,Verification 负责计算/实验验证,Evolution 负责把验证证据沉淀回知识、策略和长期记忆,再反哺下一轮。
三个子系统各自绑定一项"底座能力":Generation 靠 deep research(跨学科知识图谱 + FlowSearch 的 DAG 式知识流),Verification 靠 solution refinement(Graph-Augmented Monte Carlo Search 做多轮并行方案优化),Evolution 靠 Structured Cognitive Memory(程序性/情景/语义三层记忆)。这个组织方式直接回应了 2025-2026 年 AI scientist 领域的共识转移:瓶颈已经不是能否跑通单轮流程,而是长时程运行下系统如何不重复失败、不跑偏、还能持续变好。
评估分三层:通用科研推理 benchmark(GAIA、HLE、GPQA-diamond、FrontierScience、SGI-Bench)、算法发现(6 个科学数据任务 + 4 个 AI 算法任务)、经验发现(地球科学气候诊断/降尺度、生命科学靶点发现、生物科学荧光蛋白工程含湿实验、化学反应预测与 scaffold hopping)。湿实验通过 SCP(Science Context Protocol,兼容 MCP)协调自动化设备执行。
机制与做法
Deep research:跨学科 KG + FlowSearch 知识流
数据侧维护一个跨学科知识图谱,节点不只是实体,还包括文档、方法、数据集、实验设定、问题陈述等科研元素,边编码 cites、by-product 等类型化关系,让跨领域依赖以"路径"而非孤立点的形式浮现。检索时图搜索(找连接 query 与相关方法的路径)与 dense retrieval 融合,输出路径结构化的证据链。
方法侧就是他们 2025.10 发的 FlowSearch:把研究过程建成 DAG,每个节点是 (任务类型 search/solve/answer, 内容, 状态, 知识上下文) 四元组,planner 增量扩展图、按依赖状态激活可执行节点,分给 agent 并行执行,结果沿边传播。回答时还叠加三路推理(直接回答 / 检索增强回答 / 自驱动回答)再聚合。GAIA 86.06% 主要就是这套 DR 管线打出来的。
Solution refinement:Graph-Augmented Monte Carlo Search
把实验优化形式化为在方案空间里搜 s* = argmax h(T,s),沿用 MCTS 的 selection/expansion/simulation/backpropagation 循环,但把刚性树换成动态 solution graph,expansion 阶段有四个算子:Primary Expansion(只看父节点做局部修改)、Intra-branch Evolution(带上同分支祖先轨迹做自反思)、Cross-branch Reference(分支停滞时引用其他分支的高分节点)、Multi-branch Aggregation(拆解多个 top 方案的组件重组成混合设计)。这是针对线性 refinement 和树搜索的三个痛点——轨迹孤立、搜索历史浪费、想法无法组合——的直接回应。
同一套搜索框架同时服务两类场景:算法发现里每个 proposal 是可执行程序,在受控环境编译评测;经验发现里 proposal 是完整实验流程,可以走仿真也可以通过 SCP 调度真实设备(测荧光强度等)。这部分的算法发现实现单独开源为 MLEvolve 仓库,README 称其为 MLEBench 上排第一的开源方法。
Structured Cognitive Memory:三层记忆
SPM(Strategy-Procedural Memory)不存原始轨迹,而是从历史轨迹蒸馏可复用的程序性结构(有效模式 + 失败根因诊断),新 query 来时按程序结构相似度 top-k 检索,注入 planner 和 executor 的 prompt。消融显示 SPM 在 GAIA 上把平均工具调用从 22.69 降到 18.52,Level 3 准确率从 53.85% 提到 61.54%——省调用的同时提分,是报告里最干净的一个消融。
TEM(Task-Episodic Memory)在单条研究轨迹内存每次实验的 (方法, 指标, 是否改进),混合语义 embedding 和稀疏词法特征做检索,注入假设精炼的上下文,作用是别重蹈本 session 里已失败的方向。SKM(Semantic-Knowledge Memory)跨 session 维护长期经验库和 Idea Graph,给候选研究目标算 novelty 分(1 减去与已探索区域的最大相似度),用"新颖性压力"防止在饱和的概念区域打转——这一条对做持续学习的人最值得细看。
关键结果
- GAIA validation 平均 86.06%(Level 1: 92.45 / L2: 89.53 / L3: 61.54),超过 Manus 73.30 和 MiroThinker-v1.5-235B 的 80.8;但这是 Gemini-3-pro+o4-mini 双模型配置,换 Qwen3-235B 底座只有 58.79。
- HLE 全集 40.00%、text-only 40.87%,略超 Gemini-3-pro-preview 单模型(38.04/38.00);GPQA-diamond 87.37%;FrontierScience Olympiad 77.20%、Research 12.00%(o4-mini 推理 + gpt-5-high 判分)。
- SGI-Bench Deep Research 37.74%,比第二名 Gemini-3-pro 的 18.48% 高一倍——DR 管线是这个系统相对裸模型最大的增量。
- 6 个科学算法任务全面超过 1.0:如 AutoEAP 增强子活性预测 HK-PCC 从 DeepSTARR 基线 0.65 提到 0.91,AutoPower RMSE 0.00473→0.00318;4 个 AI 算法任务(以 2025 顶会方法为基线)提升幅度小得多:AutoTTS 70.9→72.5、AutoTTRL 23.3→23.9、AutoLM 0.880→0.904。
- 气候降尺度任务上自主设计的深度学习方案 RMSE 0.8488,优于 Kriging(3.1658)和 BCSD(0.9049);生命科学两个案例(HCC 的 GPR160、CRC 的 ARG2)是对 OriGene 已发表发现的复现,不是新发现。
- SPM 消融:GAIA 平均准确率 82.42→86.06,平均工具调用 22.69→18.52,Level 3 工具调用从 55.65 降到 37.33。
实证核查
与我们方向的关系
这是理解"AI scientist 瓶颈从单轮流程转向长时程一致性"最系统的一份工程答卷,对课题组持续学习方向最有借鉴价值的是 Structured Cognitive Memory 的三层拆分:SPM 蒸馏程序性经验(而非存轨迹)、TEM 管 session 内快速适应、SKM 用 novelty score 施加探索压力防止概念区域饱和。SPM 消融(准确率升 + 工具调用降)是少见的"记忆同时提效提分"的干净证据,agent_kb 的 hybrid retrieval + 蒸馏写回实现可以直接读代码(internagent/mas/agents/dr_agents/ 与 agent_kb/)。
另一个可借鉴点是 Graph-Augmented Monte Carlo Search 的四个 expansion 算子,特别是 Cross-branch Reference 和 Multi-branch Aggregation——对任何做并行方案搜索/self-improvement 的工作都是可移植的设计。注意教训:复现时务必开 need_memory 并配好知识库,否则跑的是残缺系统;对比实验要固定底座模型,他们最亮眼的数字都来自 Gemini-3-pro+o4-mini 组合。