論文の概要: ScienceBuddy: Recursive-in-Recursive Self-Improvement for Interactive Scientific Agents

• arxiv url: http://arxiv.org/abs/2609.17523v1
• Date: Tue, 15 Sep 2026 17:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.655717
• Title: ScienceBuddy: Recursive-in-Recursive Self-Improvement for Interactive Scientific Agents
• Title（参考訳）: ScienceBuddy: インタラクティブな科学エージェントのための再帰的自己改善
• Abstract要約: ScienceBuddyはインタラクティブな科学研究ワークスペースであり、研究者の日常生活に科学エージェントを継続的に改善する。 ScienceBuddyは、研究者が要求、フィードバック、実行証拠をタスクに変換し、継続的な学習のためのルーリックの評価を行うのをサポートする。 本研究は, 研究者のインタラクション, ハーネスリファインメント, モデルラーニングのケーススタディであり, ベンチマークケースは4つの科学的タスクファミリーにまたがる。
• 参考スコア（独自算出の注目度）: 19.41590935731316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce and release ScienceBuddy, an interactive scientific research workspace that brings continually improving scientific agents into researchers' everyday workflows. ScienceBuddy supports researchers in carrying out scientific tasks while transforming their requests, feedback, and execution evidence into tasks and evaluation rubrics for continual learning. At its core is recursive-in-recursive self-improvement, a paradigm that couples harness evolution with model reinforcement learning: the inner recursion improves the harness with the model fixed, while the outer recursion trains the model under the improved harness. Harness evolution shapes training experience, and model learning creates new opportunities for harness adaptation. We present case studies of researcher interaction, harness refinement, and model learning, with the benchmark cases spanning four scientific task families. By releasing ScienceBuddy as a research product, we make this paradigm available to the scientific community and take a step toward discovery intelligence: scientific AI that advances through sustained collaboration with researchers and evolves alongside the research it supports. Website: http://science-buddy.io
• Abstract（参考訳）: 私たちはScienceBuddyを紹介し、リリースします。ScienceBuddyは、研究者の日常のワークフローに科学エージェントを継続的に改善するインタラクティブな科学研究ワークスペースです。 ScienceBuddyは、研究者が要求、フィードバック、実行証拠をタスクに変換し、継続的な学習のためのルーリックの評価を行うのをサポートする。 内部再帰はモデルの固定によりハーネスを改善し、外側再帰は改良されたハーネスの下でモデルを訓練する。 ハーネス進化はトレーニング経験を形作り、モデル学習はハーネス適応のための新しい機会を生み出します。 本研究は, 研究者のインタラクション, ハーネスリファインメント, モデルラーニングのケーススタディであり, ベンチマークケースは4つの科学的タスクファミリーにまたがる。 ScienceBuddyを研究製品としてリリースすることで、このパラダイムを科学コミュニティに公開し、発見インテリジェンス(発見インテリジェンス)への一歩を踏み出します。 Webサイト: http://science-buddy.io

関連論文リスト

• Accelerating Scientific Research with Gemini: Case Studies and Common Techniques [105.15622072347811]
  大規模言語モデル(LLM)は、科学研究を加速するための新たな道を開いた。 先進的なAIモデルとどのように協力したかを示すケーススタディのコレクションを提示する。
  論文  参考訳（メタデータ） (2026-02-03T18:56:17Z)
• OmniScientist: Toward a Co-evolving Ecosystem of Human and AI Scientists [47.41269933143946]
  我々は、人間の研究の基盤となるメカニズムをAI科学ワークフローにエンコードするフレームワークであるOmniScientistを紹介します。 OmniScientistは、データ基盤全体にわたるエンドツーエンドの自動化、文献レビュー、研究のアイデア、実験の自動化、科学的執筆、ピアレビューを実現している。 このインフラは、エージェントが人間の知識システムを理解し、活用するだけでなく、協力し、共同開発することを可能にする。
  論文  参考訳（メタデータ） (2025-11-21T03:55:19Z)
• Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics [82.55776608452017]
  大規模言語モデル(LLM)は、人間の科学者、自然言語、コンピュータ言語とコード、物理学との相互作用を編成する柔軟性と汎用性を備えたフレームワークを提供する。 本稿では, LLMを基盤とした科学エージェントの展望と展望と, 科学発見のライフサイクルを変革する上でのその役割について述べる。 オープンな研究課題を特定し、より堅牢で汎用的で適応的な科学エージェントを構築するための有望な方向性を概説する。
  論文  参考訳（メタデータ） (2025-10-10T22:26:26Z)
• Dynamic Knowledge Exchange and Dual-diversity Review: Concisely Unleashing the Potential of a Multi-Agent Research Team [53.38438460574943]
  IDVSCIは、大規模言語モデル(LLM)上に構築されたマルチエージェントフレームワークである。 動的知識交換機構とデュアルダイバーシティ・レビュー・パラダイムという2つの重要なイノベーションが組み込まれている。 結果は、IDVSCIが2つのデータセットで常に最高のパフォーマンスを達成していることを示している。
  論文  参考訳（メタデータ） (2025-06-23T07:12:08Z)
• Advancing the Scientific Method with Large Language Models: From Hypothesis to Discovery [35.888956949646]
  大規模言語モデル (LLM) は科学的方法を変えて科学的研究を変革している。 LLMは、特に化学や生物学において、実験的な設計、データ分析、生産性の向上に関与している。 AI駆動科学への移行は、創造性、監視、責任に関する倫理的な疑問を提起する。
  論文  参考訳（メタデータ） (2025-05-22T10:05:48Z)
• From Automation to Autonomy: A Survey on Large Language Models in Scientific Discovery [67.07598263346591]
  大規模言語モデル(LLM)は科学的発見のパラダイムシフトを触媒している。 この調査は、この急成長する分野を体系的に分析し、科学におけるLLMの役割の変化とエスカレーション能力に重点を置いている。
  論文  参考訳（メタデータ） (2025-05-19T15:41:32Z)
• Many Heads Are Better Than One: Improved Scientific Idea Generation by A LLM-Based Multi-Agent System [62.832818186789545]
  Virtual Scientists (VirSci) は、科学研究に固有のチームワークを模倣するために設計されたマルチエージェントシステムである。 VirSciは研究のアイデアを共同で生成し、評価し、洗練するエージェントのチームを組織している。 このマルチエージェントアプローチは、新しい科学的アイデアを生み出す上で、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-12T07:16:22Z)
• DARWIN Series: Domain Specific Large Language Models for Natural Science [20.864698325126735]
  本稿では,物理,化学,物質科学を中心に,自然科学に適したLLMのシリーズであるDARWINを紹介する。 我々は6万以上の命令データポイントを用いてモデルを微調整し、事実の正しさを強調した。 DARWINシリーズは、様々な科学的タスクに関する最先端の結果を達成するだけでなく、クローズドソースAIモデルへの依存を減少させる。
  論文  参考訳（メタデータ） (2023-08-25T01:40:48Z)
• Modeling Information Change in Science Communication with Semantically Matched Paraphrases [50.67030449927206]
  SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。 SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。 SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2022-10-24T07:44:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。