Auto-amélioration récursive pour la science
Une collection communautaire de jeux de données scientifiques et de bancs d’évaluation pour l’auto-amélioration récursive.
Téléchargez les données, vérifiez les réponses de votre modèle et utilisez les retours sur les cas de développement pour guider les révisions. Proposez un jeu de données pour que d’autres puissent s’appuyer dessus.
Comment ces ressources soutiennent la recherche sur le RSIMolP2SBench Découverte moléculaire
Masquez un fragment d’une structure connue et demandez au modèle de le retrouver à partir de propriétés physiques calculées. L’enregistrement original fournit la réponse de référence ; faire varier les indices aide à examiner le choix du modèle.
Il s’agit d’une petite composante testable de la conception moléculaire. À plus long terme, la question est de savoir si l’apprentissage à partir de tâches de reconstruction peut aider un système à proposer des molécules utiles.
La démonstration utilise deux observations, deux candidats et une famille moléculaire. Chaque canal de propriété de la source comprend 136 problèmes, avec deux à quatre candidats par tâche.
Source : Xie et al., MolP2SBench (2026). Citation et données sous-jacentes.
1.45724 D
5.37590 D
Deux questions, les mêmes candidats. Comparez chaque choix à sa référence pour voir où les prédictions réussissent ou échouent.
Essayer cet exempleUne famille pédagogique · moments dipolaires calculésLa découverte scientifique implique de nombreuses hypothèses et conceptions possibles. De meilleures façons de choisir l’étape suivante pourraient réduire les essais inutiles. Nous rassemblons des ressources permettant aux chercheurs de tester ces améliorations.
L’auto-amélioration récursive (RSI) utilise les capacités actuelles d’un système pour l’améliorer, puis mobilise ses capacités actualisées dans les cycles suivants. Voir le mécanisme.
Pour proposer une source, un lien et un exemple suffisent ; un jeu de test indépendant peut être constitué ensuite.
Exigences relatives aux jeux de données · Proposer un jeu de données
Sélection de recherches · Vérifiée le
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.
Une collection scientifique partagée
Le jeu de données d’un projet peut devenir le point de départ d’un autre. Partagez des données scientifiques originales ou structurées à partir de sources existantes, avec des résultats vérifiables et des retours utiles. Un article est facultatif ; les liens vers des sources de données existantes sont les bienvenus.
