Meta 提出 AI 研究偏好模型：在实验执行前精准预测最优科研方案

Meta FAIR 与合作者于 2026 年 8 月 14 日发布论文，提出 AI 研究偏好模型（Research Preference Models, RPMs），旨在实验实际运行前评估并筛选出最具价值的科研候选方案。

• 论文（arXiv:2608.13940）指出，AI 科研智能体在自主生成大量假设时面临 GPU 算力验证瓶颈，而大模型难以精准预测绝对实验指标，因此该研究将方案评估重构为相对排序任务。
• 研究提出了两种基于冻结预训练模型的方案：纯推理版本依据候选方案代码与历史实验进行逻辑推断；智能体版本则先运行 5 分钟微型探索实验以获取前置证据。
• 在基准测试 AIRS-Bench 上，接入该机制使搜索智能体得分从随机选择的 0.684 提升至 0.711（纯推理）与 0.729（智能体版本），且仅用基线约 62% 的算力预算（15 小时）即达到基线 24 小时的性能水平。
• 影响/看点：实验前筛选机制意味着科研智能体能更高效地分配有限的计算资源，但其有效性主要依赖于小规模先导实验与最终完整实验成果之间的正相关性。
• 资料依据:
• arXiv（2026-08-14）：https://arxiv.org/abs/2608.13940
• X：Elvis Saravia（2026-09-01）：https://x.com/omarsar0/status/2094908191075357100

本内容由 AI 生成，仅供参考，请注意甄别