論文の概要: PrimeScientist: Strategic Allocation of Research Effort in Autonomous Research

• arxiv url: http://arxiv.org/abs/2609.17846v1
• Date: Tue, 15 Sep 2026 21:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.545897
• Title: PrimeScientist: Strategic Allocation of Research Effort in Autonomous Research
• Title（参考訳）: PrimeScientist: 自律的な研究における研究の戦略的配置
• Abstract要約: 研究努力を戦略的に投資する方法の決定は、自律的な研究エージェントの定義能力であるべきである。 本稿では,連続研究における研究方向性と資源投資を共同で決定するPrimeScientistを紹介する。 AI研究タスク12つ全体で、PrimeScientistは平均報酬を10.3%改善し、AutoResearchよりも50.6%少ない研究試行を減らした。
• 参考スコア（独自算出の注目度）: 15.893657054781828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous research agents aim to automate scientific workflows, from proposing ideas to conducting experiments and analyzing results. Yet current AI and research agents can propose more directions than available resources allow them to pursue. Moreover, each attempt could consume substantial resources, requiring agents to reconsider how to invest in subsequent research. Thus, deciding how to invest research effort strategically should be a defining capability of autonomous research agents. Accordingly, we introduce PrimeScientist, which jointly determines research direction and resource investment across successive research attempts. Specifically, we formulate this challenge of strategic research effort allocation as a sequential decision problem where remaining resources should explicitly guide the research policy. We first introduce an executable plan tree that preserves competing plans and their outcomes across attempts. Building on this representation, we propose an adaptive MCTS-based allocation policy that balances exploration and exploitation using experimental feedback and remaining resources. Comprehensive evaluations across AI research, systems and code optimization, and machine learning engineering show that strategic allocation improves research quality and sample efficiency together. Across 12 AI research tasks, PrimeScientist improves average reward by 10.3% with 50.6% fewer research attempts than AutoResearch under the same resource budget. We believe making research effort allocation an explicit optimization target establishes effective resource use as a core research capability for autonomous agents to drive scientific breakthroughs at scale.
• Abstract（参考訳）: 自律的な研究エージェントは、アイデアの提案から実験の実施、結果の分析に至るまで、科学的なワークフローを自動化することを目的としている。 しかし、現在のAIと研究エージェントは、彼らが追求できるリソースよりも多くの方向を提案できる。 さらに、それぞれの試みは実質的な資源を消費し、エージェントはその後の研究にどのように投資するかを再考する必要がある。 したがって、戦略的に研究活動の投資方法を決定することは、自律的な研究エージェントの定義能力であるべきである。 そこで本研究では,連続研究における研究方向性と資源投資を共同で決定するPrimeScientistを紹介する。 具体的には、この戦略的な研究努力配分の課題を、残余資源が研究方針を明示的に導くというシーケンシャルな決定問題として定式化する。 まず、競合する計画と試行錯誤の結果を保存する実行可能なプランツリーを紹介します。 この表現に基づいて,実験的なフィードバックと残余資源を用いた探索と利用のバランスをとるMCTSベースのアロケーションポリシを提案する。 AI研究、システム、コードの最適化、機械学習エンジニアリングの総合的な評価は、戦略的アロケーションが研究品質とサンプル効率を一緒に改善することを示している。 12のAI研究タスクで、PrimeScientistは平均報酬を10.3%改善し、同じリソース予算の下でのAutoResearchよりも50.6%少ない研究試行を減らした。 我々は、研究努力を明示的な最適化目標に割り当てることによって、自律エージェントが大規模に科学的なブレークスルーを加速するための中核研究能力として、効果的な資源利用が確立されると考えている。

関連論文リスト

• ScienceFlow: A long-horizon agent for ML research, scientific discovery and beyond [27.718666775653393]
  ScienceFlowはエンドツーエンドの自動検索エージェントフレームワークで、長期の研究作業を実行可能なワークスペースに基盤を置いた研究セグメントに整理する。 研究の進展を回復可能な実行可能状態として表現し、効率的な探索、修正、実行を可能にします。 様々なロングホライゾンベンチマークの結果は、SOTA 70.22%のAny-Medalスコアが24時間予算で完全なMLEベンチの有効研究プロセスを維持できることを示した。
  論文  参考訳（メタデータ） (2026-08-14T14:54:01Z)
• AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
  AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。 エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。 最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
  論文  参考訳（メタデータ） (2026-04-28T06:05:17Z)
• Step-DeepResearch Technical Report [90.50586290399683]
  コスト効率のよいエンドツーエンドエージェントである Step-DeepResearch を紹介する。 我々は、計画とレポート作成を強化するために、アトミック能力に基づくデータ合成戦略を提案する。 中国における評価ギャップを埋めるため,現実的な深層研究シナリオのためのADR-Benchを構築した。
  論文  参考訳（メタデータ） (2025-12-23T16:32:27Z)
• AI4Research: A Survey of Artificial Intelligence for Scientific Research [55.5452803680643]
  我々はAI for Research(AI4Research)に関する総合的な調査を行う。 まず、AI4Researchの5つの主要なタスクを分類する系統分類を導入する。 主要な研究ギャップを特定し、将来有望な方向性を明らかにする。
  論文  参考訳（メタデータ） (2025-07-02T17:19:20Z)
• AI-Researcher: Autonomous Scientific Innovation [13.58669328864436]
  我々は,AIによる科学的発見の実施と評価の方法を変える,完全自律型研究システムであるAI-Researcherを紹介する。 本フレームワークは,文献レビューや仮説生成からアルゴリズムの実装,出版可能な原稿作成に至るまで,完全な研究パイプラインをシームレスに編成する。
  論文  参考訳（メタデータ） (2025-05-24T13:54:38Z)
• Agent Laboratory: Using LLM Agents as Research Assistants [27.91786156415065]
  Agent Laboratoryは、研究プロセス全体を完了できる自律的なフレームワークである。 人間が提案する研究アイデアを受け入れ、文学的レビュー、実験、レポート作成という3つの段階を進む。 エージェント・ラボラトリーは研究費を大幅に削減し、従来の自律的な研究方法に比べて84%の削減を実現している。
  論文  参考訳（メタデータ） (2025-01-08T01:58:42Z)

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。