과학을 위한 재귀적 자기개선
재귀적 자기개선을 위한 과학 데이터셋과 벤치마크를 함께 모으는 커뮤니티 컬렉션입니다.
데이터를 내려받아 모델의 답을 검증하고 개발용 피드백을 수정에 활용하세요. 데이터셋을 기여해 다른 연구자가 후속 연구에 활용할 수 있도록 해 주세요.
이 리소스가 RSI를 지원하는 방식MolP2SBench 분자 탐색
알려진 구조의 일부를 가리고 계산된 물리적 특성을 이용해 모델이 이를 복원하도록 합니다. 원본 기록은 참조 답을 제공하며, 증거를 바꾸어 모델의 선택을 살펴볼 수 있습니다.
이는 분자 설계의 작은 일부를 검증 가능한 문제로 만든 것입니다. 장기적으로는 복원 태스크의 학습이 유용한 분자를 제안하는 데 도움이 되는지 연구합니다.
데모는 관측 2개, 후보 2개, 분자 패밀리 1개를 사용합니다. 원본에는 물성 채널마다 문제 136개가 있으며, 각 태스크에는 후보가 2~4개 있습니다.
1.45724 D
5.37590 D
같은 후보에 대한 두 가지 질문입니다. 각 선택을 기준 정답과 비교해 예측이 맞거나 틀리는 지점을 살펴보세요.
이 예제 체험하기교육용 패밀리 1개 · 계산된 쌍극자 모멘트 크기과학적 발견에는 수많은 가설과 설계안이 있습니다. 다음 단계를 더 잘 선택하면 불필요한 시도를 줄일 수 있습니다. 이러한 개선을 검증하는 데 도움이 되는 리소스를 모읍니다.
재귀적 자기 개선(RSI)은 시스템의 현재 능력으로 자신을 개선하고, 갱신된 능력을 다음 개선 단계에 활용하는 과정입니다. 작동 원리 보기.
데이터 소스는 링크와 예시 하나로 제안할 수 있습니다. 독립적인 테스트 세트는 나중에 준비해도 됩니다.
선별 연구 · 검토일
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 · 2026년 10월 12일
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.
함께 만드는 과학 데이터 모음
