مقاله‌ی arXiv:2610.13194 · در صف خبرنامه
JANUS: Enhancing Long-Horizon Autonomous Research with Co-Evolving World Models
پژوهش خودکار طولانی‌مدت با مدل جهان هم‌تکامل: پیش‌بینی نتیجه پیش از اجرای پرهزینه
- تاریخ
- (۱۷ مهر ۱۴۰۵) 2026-10-09 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Mengdi Liu, Chenghao Jia, Hong Chang, Mingjie He, Shiguang Shan, Xilin Chen
- نهاد نویسنده‌ها
- Institute of Computing Technology, CAS; University of Chinese Academy of Sciences
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
پژوهش خودکار طولانی‌مدت با چرخه‌های پیوسته‌ی تولید فرضیه، پیاده‌سازی و اعتبارسنجی نوید شتاب دادن به پیشرفت علمی را می‌دهد. اما الگوی «تولید، اجرا، بازخورد» بر آزمون و خطای واکنشی تکیه دارد و اجراهای گران و زمان‌بر تأخیر شدیدی در بازخورد ایجاد می‌کنند؛ مثلاً هر ایده‌ی آموزش مدل ساعت‌ها اجرا می‌خواهد، در حالی که فضای جست‌وجو انفجاری بزرگ می‌شود.
روش
چارچوب JANUS پیش‌بینی نتیجه‌های آینده و بازتاب تجربه‌ی گذشته را در یک حلقه‌ی «پیش‌بینی، تأیید، تکامل» با یک مدل جهان هم‌تکامل یکی می‌کند. در یک گراف در حال تکامل، ایجنت پژوهشگر نامزد پیشنهاد می‌دهد و مدل جهان با پیش‌بینی بهبود ارزش، کسب اطلاعات و سودمندی کاوش امتیازشان می‌دهد و پیش از اجرا شاخه‌ها را انتخاب، اصلاح یا هرس می‌کند. بعد از بازخورد واقعی، تجربه به اسکیل‌های در حال تکامل تقطیر می‌شود: اسکیل‌های سلسله‌مراتبی برای ایجنت، اسکیل‌های راهبرد کاوش برای مدل جهان و پروتکل‌های هماهنگی‌شان.
یافته‌ها
- روی MLS-Bench-Lite و تسک‌های پژوهشی واقعی، به‌طور چشمگیری از پایه‌های پیشرو بهتر بود.
- هم کارایی تکامل و هم سقف نتیجه را بالا برد.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد و چکیده عدد مشخصی برای اندازه‌ی بهبود نمی‌دهد.
چرا مهم است
در پژوهش خودکار، هر آزمایش گران است و ایجنت نمی‌تواند همه‌ی ایده‌ها را بیازماید. این کار نشان می‌دهد یک مدل جهان که پیش از اجرا قضاوت می‌کند و خودش هم بهتر می‌شود، جست‌وجو را کارآمدتر می‌کند.