# 科学智能体与实验阅读笔记｜2026-10-16

本期连接方法、执行机制与证据边界。AI辅助整理，推荐不代表维护者已读；数字属于作者报告，未独立复现。较早论文为本次书目新增，并非今日发表的新作。

## 1. Qumus: Realization of An Embodied AI Quantum Material Experimentalist

[原始论文](https://arxiv.org/abs/2605.18407) · [正文入口](https://arxiv.org/pdf/2605.18407) · 首发 2026-05-18 · v1

制造二维材料器件时，困难往往藏在研究者反复观察、挑选与调整的过程里：剥出薄片，找到合适位置，判断尺寸与材料，再选择堆叠、转移的动作。单独自动化一台设备，不能自动解决这些步骤之间的决策。Qumus把自然语言目标交给协调代理，让项目管理、实验室管理、器件设计与加工等角色共同处理任务；其中保存的不只是对话，还有材料库存、薄片坐标与图像、实验步骤、工具调用及返回结果之间的关联。

真正执行动作的是人工建设的机器人小型实验室。作者将电机、显微镜、相机、温控与转移等设备的确定性操作封装成基础工作流，再组合成较长加工流程；视觉模型帮助核对芯片与材料。这里的网页界面供人提交和观察任务，不能据此说代理在截图上通用操作多个科学软件。人工仍要搭建硬件、适配控制器、训练视觉、提供原材料，部分器件任务还使用人预先制作的金属电极基底。数据库使代理能把一次观察追溯到具体薄片和步骤，这是其研究连续性的实质载体。

最直接的闭环案例是要求获得面积超过200平方微米的石墨烯薄片。清空先前历史后，一次Claude Sonnet 4.6运行连续完成5次实验、持续4小时以上；代理根据新取得的光学观察调整衬底温度、停留时间、摩擦次数及剥离速度。作者还人为移走芯片，系统从视觉异常中恢复；另一次将氮化硼误作石墨烯导致失败，系统再次剥离后取得结果。这些是现场新测量实际改变后续动作的案例，但不是有成功率置信区间的随机对照。另一器件案例约90分钟、30步和18次决策调用，证明流程能接续；这些时间不代表远程排队时间，器件照片也不能替代电学性能验收。

**证据限制：** 专用工程显著；无GUI/API等预算对照或跨仪器接入人时；代码数据可获得性未下载核实

**先读：** 图3、Methods硬件及数据库。

## 2. CosmoAgent: AI Agent for Theoretical Cosmology

[原始论文](https://arxiv.org/abs/2610.16536) · [正文入口](https://arxiv.org/html/2610.16536v1) · 首发 2026-10-12 · v1

宇宙学家提出暗能量或修正引力模型时，既要保证数学形式合法，又要检查模型预言是否符合观测。CosmoAgent尝试把“提出哪种理论形式”纳入连续搜索，而不只是让语言模型解释一份拟合结果。作者先限定可构造的拉格朗日量语法——它是一套产生动力学方程的数学规则——再让代理从有限合法候选中选择，并说明选择理由；语言模型不能跳过后面的确定性物理检验。

一次迭代中，LangGraph编排的程序接收选定结构，推导运动方程，构建数值模型，调用求解与参数拟合。拟合使用已经存在的DES五年超新星资料及DESI第二次发布的重子声学振荡资料，分别1820和13项，并处理相应协方差；没有现场取得新的望远镜测量。程序将结构指纹、通过或拒绝的参数、失败标签、拟合分数和模型复杂度记录下来，再据此调整后续结构及参数采样。科学状态依靠代码接口与专用计算流水线连续传递，原文没有证明任意科学应用的GUI操作能力。

作者让8种语言模型各搜索1000个母理论，每个先取1000组参数，达到拟合触发条件后还可增加3000或5000组。因此“相同理论数”不等于相同计算评估数或运行时间。8个模型都找到了按AIC衡量优于平直ΛCDM基线的候选，最佳差值约为−3.328，7个模型回到二次势的标量场理论。AIC在拟合好坏之外惩罚参数数量；但另一种惩罚复杂度更强的BIC在全部8组中仍偏好ΛCDM。这不是发现新暗能量的证据，也不能忽略从大量候选中择优的选择效应。记忆开关的250母理论消融得到约3.990的AIC差异，但只是有限运行，验证通过数量也不同，尚不能作为等预算稳定优势。

**证据限制：** 等母理论非等算量；多重搜索效应；记忆消融少量运行；不能当新理论发现

**先读：** 第五、六节及附录G。

## 3. Into the Unknown: Benchmarking AI agents on open scientific research problems

[原始论文](https://arxiv.org/abs/2610.19159) · [正文入口](https://arxiv.org/pdf/2610.19159) · 首发 2026-10-13 · v1

真实开放研究没有现成标准答案，流畅的论文也可能掩盖没有执行的实验。作者请10名科学家提出15项后续研究任务，涵盖量子算法、等离子体、材料、化学和科学机器学习等计算问题。科学家给出已有论文、代码、数据、任务约束与成功标准，再反复修订评价规则。这里的人类工作相当重要：代理并非从空白机器上自行发现所有资源，任务材料已准备好，研究问题也由专家界定。

代理通过编程工具访问资料、运行计算、改代码并提交论文与日志。6项任务配置8张H200，其余使用CPU；作者不设统一时间上限，并允许最多5次重新启动，直到代理声明完成。这是计算研究环境，不是远程实体仪器。验收拆成三层：结果与实际执行能否对应，交付物是否完整，以及是否满足科学家定义的研究成功条件。这样，一份看似完成的报告不能直接遮住前两层缺口。

主结果覆盖9种代理的135份提交，自动评判由GPT-6 Astra按规则重复评分。没有提交同时通过三层；114份未通过执行与结论一致性检查，其中90份涉及代码和论文不一致、85份涉及数字与日志不一致、68份涉及声称做过却缺少执行证据，这些类别互有重叠。只有一份同时通过一致性和完整性，仍未达到科学成功条件。不能把这些数字说成135份均由科学家逐篇人工判定，更不能把它们推广成所有科研代理的总体失败率。附录中另有人类盲评：41项实际成功判断与规则判断一致，但对更宽泛质量的评价一致性较低，支持范围应限定在这些判断上。

**证据限制：** 开放任务未解不代表总体能力；评判模型偏差；105诊断子集不混主表135；设置版本残留7代理

**先读：** 2.1节、主表及附录A。

## 4. The Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery

[原始论文](https://arxiv.org/abs/2610.18933) · [正文入口](https://arxiv.org/html/2610.18933v1) · 首发 2026-10-13 · v1

科研任务跨越设计、实现、实验、比较和写作，单个编程会话很容易遗失前提，或把刚取得的一次分数误写成结论。这篇把研究拆成能执行、能复查的阶段：人先提出研究简报，设计代理生成初始程序、搜索评价器和最终评价器；独立审查和小规模运行检查依赖、数据与评价是否接通，尽量把探索时可见的信息与最后验收分开。

多个工作代理随后在独立目录中提出假设、说明目标、修改实现并运行评价。每轮保留候选程序、指标与输出，在轮次边界共享提炼的研究记忆，同时保留原始日志。选中候选后，再用统一的记录方式做基线与消融，整理正式结果，最后生成并检查论文中的陈述。它接入的是Codex、Claude Code、Pi等无界面的命令行编程代理；论文中的主要实验是机器学习训练与模拟，不是代理经GUI操控远程科学仪器。人需要事先建设任务及评价接口，也可能在后期修正研究结论。

作者报告5个准备好的任务、14种模型与编排配置，共70次研究运行。自动论文评审只是质量代理指标，不能替代完整正确性检查；相同模型换不同编排也没有统一赢家。作者另报告一篇经人工核实的ALIFE研究论文被接收，但人工补充了统计、核对引用，并将“显著更好”等表述改为效果相当，因此不能概括为完全自主投稿成功。共享记忆的少量种子消融显示搜索进展变化，但最终最佳成绩差异未达到显著程度。

**证据限制：** 自动论文分数非真值；规则遗漏使比较对象变化；共享记忆最终成绩小样本不显著

**先读：** 3.3–3.5及6.3节。

## 5. How GUI Agents Fail: GraceBench for Execution Stability Diagnosis

[原始论文](https://arxiv.org/abs/2610.19900) · [正文入口](https://arxiv.org/html/2610.19900v1) · 首发 2026-10-14 · v1

GUI代理最终到达目标，并不意味着途中执行稳定。它可能点错页面、反复循环，再偶然返回正确路线；若只看最终成功率，这些消耗和恢复困难都会消失。GraceBench先探索移动应用的界面与操作转换，用截图和界面层级辅助建立状态图，再由人复查，整理出10个应用的2909个状态、3116条转换。图用于诊断已观察的路径，并不保证覆盖应用中所有合法操作。

169个任务各有简短与详细两种指令，11种代理共形成3718条轨迹。被测代理按各自提示和工具使用截图执行；评价系统结合操作时间戳、前后界面和视频，把轨迹映射到允许多种路径的任务子图，区分正常推进、停滞、偏离以及恢复。这样可以问偏离后花多少步回来、循环占多少过程，而不只问最后是否完成。状态图的制作与人工校对本身有接入成本；迁移到科学桌面软件时，这部分工作不能免费假设。

1294条最终成功的轨迹中，663条出现过偏离或循环，占51.24%。分母是成功轨迹，因此这不是“51%的任务失败”，也没有测量仪器损坏或不可逆实验损失。GPT-5.6在两种指令条件合并的成功率最高，为63.91%，但在其实际遇到的恢复机会中表现并非同样领先；不同模型遇到的错误机会不同，不能当作注入完全相同故障后的公平恢复对照。作者对抽样的10%转换标注作了盲法人工审计，不能写成全部轨迹均由人复核；未收录但实际有效的路径，也可能被图误判。

**证据限制：** 状态图不穷尽；不同模型恢复机会不同；非故障注入同条件对照；无科研跨应用/硬件实证

**先读：** 3.3、4.3及附录E。