OmniScientist：面向多模态、多学科证据的 AI 科学家（arXiv 2026）

原题：OmniScientist: An Omni-Modal Omni-Discipline AI Scientist

一句话总结：OmniScientist 让原始图像、信号、音频、视频、三维结构、轨迹、表格、公式和图贯穿选题、实验与写作，并用代码门禁约束新颖性搜索、统计检验和论断来源；系统完成 36/36 个计算型案例，直接感知在 5 个成对案例中赢得 85% 的评审偏好，但这些“发现”只经同一团队配置的执行记录和 LLM 评审器检验，尚无领域专家、独立重执行或湿实验确认。

问题与动机

AI-Scientist-arXiv24、AI-Scientist-v2-arXiv25 一类系统已经能把想法、代码、实验和论文连成流水线，但通常只接收文本、标签、代码或人工预计算的标量特征。作者认为，这类接口在研究开始前就丢掉了局部形态、时间顺序、跨通道一致性和实验过程等关系；一个工作流即使“阶段齐全”，仍可能是证据不完整的。

OmniScientist 因而把问题改写为：给定数据集、研究对象和目标属性，能否让同一套智能体直接检查异构原始证据，自行形成可证伪问题、运行计算实验，并只把执行记录支持的论断写入论文？系统覆盖五类学科、36 个真实可下载数据集，其中 28 个案例主要依赖感知证据（§1、§3.2，表 1）。

这里的“自主”从人工给定数据、主题和目标属性之后开始。所有候选研究都必须能在计算机上完成，idea gate 明确拒绝需要物理实验的方案；因此论文评估的是多模态计算研究闭环，而不是能操作实验室或独立决定研究议程的通用科学家（§3.2、§4.2，附录 G）。

关键观察 / 隐含假设

观察 1：证据接口会改变智能体提出的问题，而不只是改变输入精度。 在地震波、胸片、CAD、植物轨迹和星系图像五组成对实验中，直接感知版本围绕原始结构形成问题；只看预计算标量的版本选择了不同且更窄的研究路径（§5.3–5.6，表 7）。
- 依赖假设：原始记录中被视觉模型注意到的特征是真实科学信号，而不是感知模型偏差或数据泄漏。
- 证据强度：中。成对结果方向一致，但只有 5 个主要配对案例，且没有领域专家判断问题本身是否更有科学价值。
观察 2：大多数失败发生在结果选择，而非数字凭空生成。 36 次主运行共触发 115 次阶段拒绝；26 次运行曾试图把不显著分析写成发现，最终有 67 项分析被降级，只有 4 次运行未被任何门禁退回（附录 B–C，表 15、17）。
- 依赖假设：代码谓词检查到的 schema、显著性和来源追踪覆盖了最重要的科学错误。
- 可能失效场景：研究问题错误、混杂因素遗漏、因果解释越界或数据本身有偏时，数值可追踪仍不能保证结论成立。
观察 3：更强推理模型不自动带来更强感知。 不同 backbone 的事实准确性和严谨性差距约 2.9 分，而多模态 grounding 差距约 1.2 分；作者据此把感知层视为独立系统能力（§5.4，图 10）。
- 证据强度：弱到中。模型覆盖的案例数不完全相同，失败运行被排除，且评测由 LLM judge 完成。
假设 1：代码门禁可以把开放研究压缩成可靠的可判定条件。 Idea、rigour 和 claim 三个 gate 检查搜索次数、可证伪性、数据泄漏、有效样本量、多重比较、执行来源和数字一致性。
- 边界：这些门禁能拒绝已编码的失败模式，却不能自动判定新颖性、机制真实性或研究意义。

核心方法

系统把科学证据分为四族：感知证据（图像、波形、光谱、三维结构）、符号证据（文本、公式、序列、知识图）、定量统计证据（表格、测量、分布）和过程证据（轨迹、模拟、agent trace）。每种模态注册原生数值读取器和必要时的可视化工具；系统优先分析原始数值，只有空间或结构关系必要时才消耗受限视觉预算（§3.1、§4.1，表 2、18）。

Ideation agent 先盘点材料并检查代表样本，再通过 OpenAlex/Crossref 做至少三次聚焦检索，生成至少五个候选问题，并按新颖性风险、统计功效、可证伪性和全计算可行性筛选。代码门禁要求研究问题、假设、实验草图和证伪条件齐全，并把“首次”“从未研究”等无法由有限检索证明的措辞自动收窄（§4.2，附录 B、G）。

Experiment agent 在受控 run_python 环境中迭代实现，要求主检验之外至少加入基线、消融实验、机制探针、分组分析或敏感性分析。Rigour gate 检查真实数据访问、生成图与执行记录、全部尝试过的统计检验分母、分组泄漏和独立性；若主假设失败，系统可以诚实输出 mixed/null，或回到 ideation，而不能事后把最好的噪声结果升为 headline（§4.3，图 5，附录 B–C）。

Writeup agent 根据五类领域模板生成论文。每一节只接收结构化实验记录中需要的切片，abstract 最后生成；claim gate 将数字和论断逐项映射到 stdout、图、配置与分析记录，不可支持的内容被删除或降级（§4.4，附录 F）。

三个阶段内部使用开放的 ReAct 循环，阶段切换、回退和退出则由确定性代码控制。这种“自由搜索 + 硬边界”设计与 EviGraph-arXiv26 的显式证据图目标相近，但 OmniScientist 的中心对象是 execution record 和 gate，而不是跨阶段的 typed claim–evidence graph。

设计取舍

原始证据 vs 统一接口：直接暴露原始结构扩大问题空间，也增加视觉模型偏差、隐私、数据体量和工具成本。
代码门禁 vs 科学开放性：谓词能稳定检查已知错误，却会鼓励选择容易程序化检验的问题；所有需要湿实验的想法在入口就被排除。
多候选搜索 vs 选择偏差：至少五个候选和多次实验有助于探索，但会扩大自适应多重检验；系统虽记录全部 tests，idea selection 本身的 researcher degrees of freedom 仍难完全量化。
同一引擎 vs 领域知识：新学科只需 specification file，便于扩展；“无需领域代码”也意味着领域特有的质量控制、仪器误差和伦理约束没有进入核心系统。
可追踪事实 vs 科学真值：stdout 能证明数字确由程序产生，不能证明程序选择、统计模型或机制解释正确。

实验与结果

36 个案例全部从原始数据运行到可编译论文；参考 backbone 的七维平均论文分为 6.3，五个学科族和多种模态的中位数大致落在 6.1–7.1（§5.2，表 3、5、6）。
五个主要 perception/blind 配对中，直接感知版本平均赢得 85% 的 head-to-head 判断；同一评审器下，多模态 grounding 提高 2.8 分、significance 提高 1.8 分，事实准确性持平（§5.3，图 7–8，表 12）。
Leave-one-out 案例显示，去掉 prior-art search 时 composite 从 6.9 降到 5.7；去掉 novelty check 时新颖性分下降约 1 分；单次而非迭代运行也明显退化（§5.3，图 9）。
地震案例从约 1,500 条三分量波形中报告 163/750（21.7%，95% CI 18.8–24.9%）“noise”标签含相干瞬态；移除跨通道 coincidence 后检出率降到 2.0%（§5.5，图 11，表 9）。
胸片案例提出局部熵空间离散度，held-out AUC 为 0.851，明显高于 raw-pixel baseline 的 0.634；但这仍是同一数据集内的计算验证，没有外部医院数据或临床专家评估（§5.6，图 12，表 10）。
36 次运行的 experiment 阶段平均调用 run_python 31.8 次；感知工具共调用 337 次，其中 173 次是视觉查看。最终记录包含 2 个 refuted、17 个 mixed verdict 和 67 个被降级分析（附录 C–D，表 16–18）。

论断—证据表

论断	证据	评测边界	置信度
原始多模态感知会改善生成论文并改变研究问题	§5.3–5.6，图 7–12	5 个主要成对案例；同一团队构造的 scalar-blind baseline；LLM judge	中
统一引擎能完成跨学科计算研究流水线	36/36 个案例，表 1、3–6	人工提供数据、主题、目标属性；不允许湿实验；失败运行的 backbone 比较会被排除	中
代码 gate 能阻止一批不显著或无来源结果进入论文	115 次拒绝、26 次运行触发非显著结果问题、67 项降级，表 15、17	只覆盖显式编码的 predicate；没有与无 gate 系统的全套多 seed 对照	中
所生成结果构成新的科学发现	两个案例研究与系统自带文献检索/执行记录	无领域专家盲审、独立重执行、外部数据或湿实验；新颖性由检索和 LLM judge 代理	弱

批判性分析

论证链条

论文最扎实的论断不是“已经实现通用 AI 科学家”，而是“输入表示是科研 agent 的一等设计变量”。成对实验显示，删掉原始记录后，系统不只是得分下降，而是选择了不同问题；这补足了主要处理文本、代码和表格的自动科研工作。

从“论文数字可追踪”跳到“科学发现可靠”则证据不足。Claim gate 对 execution record 的一致性很强，但记录可能来自错误分析；两个 headline 案例没有外部领域团队复现。平均 6.3 分来自两名跨领域 LLM judge，而不是同行专家或真实 venue 评审，不能与论文接受率或科学价值直接等价。

假设压力测试

Blind baseline 只接收预计算标量，本来就缺少 full system 拥有的信息；因此实验能证明“移除原始结构会损失信息”，却不能完全隔离收益来自视觉模型、更多输入带宽还是工作流设计。更强对照应让非视觉 agent 自主生成丰富的信号/图像统计描述，并固定总 token 与工具预算。

Idea gate 要求至少五个候选、三次检索，rigour gate 又记录全部实验检验，但跨候选选择仍可能构成未计入的多重比较。系统最后选择最强 supported analysis 作为 lead，也可能把预注册主假设失败后发现的次级关系包装成论文主线；“demoted”避免直接 HARKing，不等于消除探索性研究的选择偏差。

实验可信度

作者公开 prompts、代码检查和 run-level 统计，披露 mixed/refuted 结果及 gate 拒绝，审计性优于只展示成功稿件的系统。36 个真实数据集和多模态覆盖也比单一 ML benchmark 更广。

不足是没有领域专家对 36 篇论文的 factual/scientific validity 抽样，没有独立运行团队，也没有将最终发现提交给原数据提供者确认。感知模型、reasoning backbone 和两名 LLM judge 的误差可能相关；用自动系统评自动论文仍存在同源偏差。

系统性缺陷

所有任务都由 specification 预先绑定数据、对象和目标属性，且原始数据已是可下载、可在单机脚本中处理的研究制品。真实研究还包括获取样本、校准仪器、处理访问权限、决定哪个观测值得采集，以及对危险或伦理敏感假设作限制；这些没有被“新学科只需一个配置文件”覆盖。

局限与后续工作

局限 1：36 个结果只有执行内验证和 LLM 评审，没有独立专家、外部重执行或湿实验，不能据此宣称科学发现已获确认。
局限 2：感知消融主要覆盖 5 个配对案例，scalar-blind baseline 与 full system 的信息量天然不等，因果归因仍不充分。
局限 3：研究目标、数据和 target property 均由人提供；所有需要物理实验的候选被 gate 排除，自治边界止于计算研究。
局限 4：多 backbone 结果排除失败运行且案例覆盖不同，跨模型和跨模态的平均分可能受选择偏差影响。
后续工作 1：预注册一组从未被开发者查看的外部数据，由领域专家先写验收标准，再盲审并独立重执行 agent 的结论。
后续工作 2：加入“自动统计摘要但无视觉”“视觉但无原生数值”“两者兼有”三组等预算消融，分离信息带宽、感知与 agent 控制的贡献。
后续工作 3：把 candidate selection 也纳入统一检验账本，记录每个候选问题、检索、分析和停止决定的选择概率。
后续工作 4：将 execution provenance 与 EviGraph-arXiv26 式论断—证据依赖图结合，使上游假设或数据处理改变时能自动使下游 claim 失效。

Awesome System Papers Wiki

探索

OmniScientist-arXiv26