Automejora recursiva para la ciencia
Una colección comunitaria de conjuntos de datos científicos y benchmarks para la automejora recursiva.
Descargue los datos, verifique las respuestas de su modelo y utilice los resultados de desarrollo para orientar las revisiones. Aporte un conjunto de datos para que otros puedan basarse en él.
Cómo apoyan estos recursos la investigación sobre RSIMolP2SBench Descubrimiento molecular
Oculta un fragmento de una estructura conocida y pide al modelo que lo recupere a partir de propiedades físicas calculadas. El registro original aporta la respuesta de referencia; cambiar la evidencia permite estudiar cómo el modelo toma su decisión.
Esta es una pequeña parte del diseño molecular que se puede evaluar. La pregunta a más largo plazo es si aprender de tareas de reconstrucción puede ayudar a un sistema a proponer moléculas útiles.
La demostración utiliza dos observaciones, dos candidatos y una familia molecular. Cada canal de propiedad de la fuente contiene 136 problemas de origen, con entre dos y cuatro candidatos por tarea.
Fuente: Xie et al., MolP2SBench (2026). Citas y datos subyacentes.
1.45724 D
5.37590 D
Dos preguntas, los mismos candidatos. Compare cada elección con su referencia para ver dónde las predicciones aciertan o fallan.
Probar este ejemploUna familia didáctica · magnitudes dipolares calculadasEl descubrimiento científico implica muchas hipótesis y diseños posibles. Elegir mejor el siguiente paso podría reducir los ensayos innecesarios. Reunimos recursos que ayudan a los investigadores a evaluar esas mejoras.
La automejora recursiva (RSI) utiliza las capacidades actuales de un sistema para mejorarlo e incorpora las capacidades actualizadas en rondas posteriores de mejora. Ver el mecanismo.
Para proponer una fuente, basta con un enlace y un ejemplo; el conjunto de prueba independiente puede prepararse más adelante.
Requisitos de los conjuntos de datos · Aportar un conjunto de datos
Investigación seleccionada · Revisada el
MASS trains a shared model on selected agent trajectories, then uses the updated model to execute, optimize and evaluate the next round. It connects learning from task experience with later self-improvement.
Sakana AI update · 12 oct 2026
Two cycles; longer-run scientific improvement remains open.
CISE uses calibrated reward intervals to guide materials search. It addresses a practical dataset question: how can feedback prevent promising-looking but infeasible candidates from steering later trials?
A feedback method for materials search; recursive self-revision is untested.
AIDE² evolves research-agent code. Its separate ignition test puts an evolved agent back into the role of improving agents—the return path that matters for recursive self-improvement.
Later improver reuse was tested; its advantage remains unresolved.
Una colección científica compartida
El conjunto de datos de un proyecto puede ser el punto de partida de otro. Comparta datos científicos originales o recopilados y organizados, con resultados verificables y retroalimentación útil. Un artículo es opcional, y los enlaces a fuentes de datos existentes son bienvenidos.
