TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
DiscoveryRSI 開源 27B 模型把科學假說寫成可檢驗的研究計畫
Gen-Verse 開源 27B 假說模型 DiscoveryRSI 與評測基準 DFM-Bench。與論文逐項核對：兩輪訓練讓可否證分數從 4.00 升到 6.20，新穎性反而從 4.87 退到 4.58；X 宣傳的 6.3% 後續文獻對應率，與 Claude 的落差大半卡在檢索門檻，進入語意判斷後兩組幾乎打平。
用 AI 摘要這篇文章：
生成一個研究假說，對大型語言模型來說已經是最便宜的一步。難的是接下來的事：這個假說有沒有證據撐著、做不做得起來、結果要怎麼判讀、有沒有想過別的解釋，以及最貴的那個問題：值不值得把經費與時間投下去。10 月 16 日上傳 arXiv 的論文 DiscoveryRSI（編號 2610.23839）處理的就是後面這段。來自 PhAI Labs 與北京大學、復旦大學、密西根大學、史丹佛大學、哈佛醫學院、牛津、普林斯頓等 16 個機構的團隊，把「什麼叫有價值且可檢驗的假說」寫成可打分數的操作型定義，用一套多代理研究流程生產假說，再拿流程自己產生的研究紀錄回頭訓練一個 27B 的開源模型。10 月 19 日上午 9 點 45 分（台北時間），共同通訊作者之一 Ling Yang 在 X 發布成果，最醒目的一行寫著：DiscoveryRSI-27B 提出的假說有 6.3% 與後來發表的研究相符，GPT-6 是 2.5%，Claude Opus 5 是 2.3%。這組數字回論文核對後全部屬實，但它量的是假說與文獻的連結，且兩組之間的落差大部分發生在檢索門檻那一關，進入語意判斷之後其實幾乎打平。
假說先變成可打分的物件，才輪得到模型學
這篇論文做的頭一件事，是替「假說」下定義。一個有價值且可檢驗的研究假說要包含四個部分：有證據支持的主張、可行的調查計畫、事先講清楚怎麼判讀結果的標準，以及替代解釋。缺了任何一塊，模型的輸出就只是看起來很厲害的段落。在這個定義下，假說以帶版本與親代關係的樹狀物件存在，並非一次寫完的成品：每次修改都能追溯到來源，操作分成演化、修復、交叉組合與科學式重啟，重啟就是放棄舊方向、換一個問題重新出發。
流程由多個角色分工。主導者選方向，生成與演化角色提出或修改假說，批評角色以盲測配對比較評優劣，進度角色判斷修改是否真的有實質進展。被選中的調查計畫會被編譯成可執行的 Harbor 任務，附帶輸入、執行環境、必要輸出與驗證檢查；拿不到的資料或需要實體實驗的部分會被明確記成相依條件，系統不會假裝已經做完。配對比較的評分沿用微軟 Xbox 線上配對使用的 TrueSkill 演算法，把每個版本的假說當成被評分的選手，功勞再分配到實際貢獻的步驟上。訓練資料就是這套流程自己產生的紀錄：從 15,792 條研究軌跡裡，經歸因與篩選留下 2,397 條，涵蓋主導、生成與演化三種角色；全部 291.12 百萬個詞元裡，只有 2.12% 接受直接監督，其餘都只當上下文。微調用基底模型 Qwen3.8-27B 做全參數訓練，256K 上下文、一個週期，公開的是第二輪第 150 步的檢查點。
這套把研究過程變成可重放、可歸因資料的思路，與同團隊九月公開的免費科研工作區 ScienceBuddy 一脈相承，也和這一年討論度升高的遞迴自我改進（RSI）方向掛在同一條線上：智譜的基礎設施代理報告與 Sakana AI 的多代理自我監督都在問同一個問題，系統什麼時候能拿自己的工作紀錄改進自己。DiscoveryRSI 把這個問題縮到「科學假說」這個可評分的範圍裡，是讓它變得好回答的一種方式。
兩輪自我改進買到的是可否證，新穎性反而退步
評測用團隊自製的 DFM-Bench，覆蓋臨床與族群健康、治療標靶排序、疾病機制、族群多體學四個生命科學領域，共 241 個研究問題，評分由 GPT-5.6 Sol 單一模型擔任評審。分數從基底模型的 4.86，升到第一輪後的 5.18、第二輪後的 5.39；第二輪模型在四個領域全都超過基底，領域增益從 0.28 到 0.94 分不等，但每輪的追加增益在縮小，從 0.32 縮到 0.21。
真正值得看的是單項分數的變化，因為它說明了訓練到底買到什麼。
| 評分面向 | 基底模型 | 兩輪訓練後 | 方向 |
|---|---|---|---|
| 可否證 | 4.00 | 6.20 | 大幅上升 |
| 替代解釋 | 4.44 | 5.98 | 明顯上升 |
| 資料可解答性 | 3.73 | 4.99 | 明顯上升 |
| 可行性 | 4.79 | 5.87 | 上升 |
| 重要性 | 6.48 | 6.04 | 下降 |
| 新穎性 | 4.87 | 4.58 | 下降 |
上升的四項全都指向同一件事：模型學會把假說寫成講得出驗證方式的調查計畫，實驗設計更明確、證據需求更清楚、結果的判讀方式先講好。下降的兩項同樣一致：問題的顯著性與原創性，分數比訓練前更低。論文自己的總結是，這些進步集中在調查設計的規格化，而不是問題的顯著性或原創性。研究行為也跟著移動：演化與修補兩種操作的使用率從 77.5% 升到 91.7%，科學式重啟從 21.7% 降到 5.0%，在每輪後段的 10 個回合裡，重啟率從約 32% 掉到 3%。受訓後的模型明顯更願意修補既有假說，而不是推翻重來。對想引進這類系統的團隊，這組數字的含義很實際：它讓假說變得更可審查，代價是產出偏向保守的漸進修改。
6.3% 量的是文獻連結，且大半差距卡在檢索門檻
宣傳貼文裡的 6.3%，論文的正式名稱是 inspiration rate，衡量的是假說版本中有多大比例，能在模型截止日之後發表的文獻裡，找到與這個假說相關的實驗設計、對照組、量測方式或可檢驗的證據缺口。參考文獻庫由 420 次向前與向後的引文追蹤建成，收得 16,440 篇可解析的論文，發表期間從 2025 年 4 月 1 日到 2026 年 10 月 14 日，各組再依自己的截止日過濾。判斷流程分兩步：先過詞彙門檻，與最佳參考卡至少共用三個非停用詞，論文特別註明這道門檻決定的是檢索資格，與語意相關性無關；再由 GPT-6 Luna 做語意判斷，149 個抽樣紀錄裡成功完成 145 個，完全相同的假說與文獻配對共用同一個判斷結論，並沿用到 903 筆紀錄。
| 模型組 | 假說版本數 | 獲肯定判斷 | 比例 |
|---|---|---|---|
| DiscoveryRSI-27B | 1,176 | 74 | 6.3% |
| DeepSeek | 257 | 14 | 5.4% |
| GLM | 36 | 1 | 2.8% |
| GPT-6 | 2,341 | 59 | 2.5% |
| Claude Opus 5 | 131 | 3 | 2.3% |
X 貼文只挑了 GPT-6 與 Claude Opus 5 當對照，表格裡其實還有 DeepSeek 的 5.4%，與 DiscoveryRSI 只差 0.9 個百分點。DiscoveryRSI 的 1,176 個版本來自兩次投產運行合併計算；身為基底的 Qwen 原版留在內部稽核裡，但沒有列進主圖。領域傾斜也很重：治療標靶排序領域的對應率達 16.9%（30 比 178），臨床與族群健康只有 2.3%（13 比 557），74 個獲得肯定判斷的版本裡有 30 個來自單一領域。各組的版本數差距懸殊，GLM 只有 36 個版本，GPT-6 有 2,341 個；論文明言這些是描述性百分比，沒有做顯著性檢定，同一家族的研究版本與重用的判斷彼此相依。各組截止日也刻意採不同口徑（Qwen 記 2025 年 4 月、Claude 記 2026 年 5 月、GLM 記 2026 年 8 月、DeepSeek 記 2026 年 9 月），論文說明這只為了讓比較可重現，不代表模型內部的知識截止日，但各組能對應的文獻期間長短因此不同。
Claude Opus 5 那個 2.3% 背後還有一個技術因素，而且論文自己拆解得很誠實。檢索只看提案的前 6,000 個字元，語意判斷只看前 2,500 個，而 Claude 提案的中位長度是 41,134 個字元，修改紀錄與出處說明可能把科學內容擠出被評分的範圍。結果是 131 個提案只有 15 個過得了檢索門檻（11.5%），DiscoveryRSI 是 355 個、30.2%；可是過了門之後，兩組獲得肯定判斷的比例是 20.0% 對 20.8%，幾乎相同。把提案標題當查詢詞重跑檢索，Claude 過門數從 15 升到 95，論文的解讀是這證明結果對表達格式敏感，並沒有增加肯定判斷。換句話說，6.3% 對 2.3% 的落差，主要來自有多少提案進得了檢索，進得了門之後，兩個模型的假說被後續文獻接上的機會差不多。論文也把這個指標的邊界講明白：稽核觀察的是文獻對應，研究者是否接觸、採納、展開研究或受其影響，都不在衡量範圍，要回答那些問題需要向前追蹤。
27 位專家的初步判讀：修改品質贏，單篇沒有全面贏
自動分數之外，論文找了 27 位具生物醫學或臨床研究背景的評審，在 3 位資深督導帶領下盲評 292 份提案，順序隨機、模型身分與自動分數都隱藏，評審要先在五分制上給整體研究價值的判斷（從不值得做到最優先），附上優先、修改、緩議或退回的建議，再依六項錨定的四分制標準逐項評，證據或專業不足時可以選「無法判斷」，另有一個獨立欄位登記致命、可修或不存在的重要設計缺陷；示例裡的提案以匿名的 MIMIC-IV 資料研究為主，呈現科學問題、計畫中的比較方式與主張界限。在六項四分制指標上，DiscoveryRSI-27B 在重要性（3.10 對 2.94）與主張合理且受證據限制（3.37 對 3.16）兩項領先 GPT-6 Luna，「相對已知研究的進展」兩者同為 2.31，GPT-6 Luna 在資料適配、替代解釋與結果資訊量三項反而較高。人類評分下的修改成效是 DiscoveryRSI 最整齊的一塊：41% 的修改讓提案變好、47% 不變、12% 變差，平均每次修改前進 0.07 分；GPT-5.6 Sol 是 31%、37%、32%，平均 0.03；GPT-6 Luna 是 25%、44%、31%，平均還倒退 0.01。論文對這組結果的總結同樣保留：修改成效較好，與單篇提案仍有弱點，兩件事並存。
開源三件套，與約 55.6 GB 的入場券
釋出的資源分三層。程式碼在 GitHub 的 Gen-Verse/DiscoveryRSI 倉庫，專案自有程式碼採 Apache-2.0，第三方元件另附宣告檔；harness 包含代理核心、角色提示、工具登錄與重放儲存，可用一條 demo 指令跑兩輪示範並執行測試，也支援把模型掛在 vLLM 的 OpenAI 相容端點上，或改接 Codex、Claude Code 與任何實作 ModelAdapter 協定的後端。模型權重在 Hugging Face 的 Gen-Verse/DiscoveryRSI-27B，同樣以 Apache-2.0 提供（沿用 Qwen3.8-27B 基底的授權），約 278 億參數、BF16 精度，對應約 55.6 GB 的權重檔，釋出清單附每個檔案的 SHA-256 雜湊。評測基準 DFM-Bench 另有倉庫，從假說、修改、發展路徑到整次研究分五層評，生命科學之外還有電池科學的擴充版；假說任務範例也做成資料集開放。團隊另與 PhAI Labs 合作經營一個直播展示場，能看到候選假說與假說樹生長的即時過程。
倉庫的配對實驗另有兩個行銷層級的數字：比基底模型多選出 16.7% 的獨特假說、多編譯 50% 的 Harbor 任務。這兩個出自 README，論文的主要評測並沒有以此為主軸，引用時值得分清楚層級。生態目前非常新：主倉庫 10 月 15 日才建立，到 10 月 20 日約 78 顆星，模型卡 5 個讚、下載數還掛零，DFM-Bench 倉庫 10 月 19 日才開張。模型卡也把使用邊界寫死：它不是醫療器材，不可用於臨床、診斷或治療決策；倉庫不附任何病患資料、英國生物銀行材料或實驗室基礎設施，資料要自備且有權使用。
沒有任何一個假說進過實驗室
整份成果最需要記住的限制，論文結論自己寫了出來：這套系統目前到達的是具體假說與編譯後的調查計畫，下一步才是決定哪些提案值得執行，而且閉合發現迴圈還需要濕實驗室驗證，把支持、否定與無法定論的結果都變成更好的研究決策。具體地說，四個領域裡產出的所有假說，沒有任何一個被實際做過。自動評分鏈只有一個評審模型，人審 27 位評審在 292 份提案上得出的也只是初步結果；文獻對應是自動判斷，跨模型比較在群組大小、領域組成、截止日與檢索涵蓋上都不一致。
對不同讀者，這份成果的可用部分不一樣。做科研代理或評測的人，最值得搬走的是那組四件套定義與八個評分面向，它們對任何要輸出研究計畫的系統都適用，不需要部署 27B 模型；想把模型跑起來的團隊，先確認硬體預算與領域適配，論文的評測以生命科學四個領域為主，訓練資料也含約一成電池科學軌跡，模型的主要語言是英文。至於把 6.3% 當成「AI 已經會做科學發現」的證據，論文的每一段限制都在提醒：它量的是假說與文獻的連結，連這個連結本身，都還沒被證明能換成任何一個真的被執行的實驗。
