Rekursive Selbstverbesserung für die Wissenschaft
Eine gemeinschaftliche Sammlung wissenschaftlicher Datensätze und Benchmarks für rekursive Selbstverbesserung.
Laden Sie Daten herunter, prüfen Sie die Antworten Ihres Modells und nutzen Sie Entwicklungsfeedback für Überarbeitungen. Steuern Sie einen Datensatz bei, auf dem andere aufbauen können.
Wie diese Ressourcen RSI unterstützenMolP2SBench Molekulare Entdeckung
Verdecken Sie einen Teil einer bekannten Struktur und lassen Sie das Modell ihn anhand berechneter physikalischer Eigenschaften rekonstruieren. Der Originaldatensatz liefert die Referenzantwort; veränderte Hinweise helfen, die Auswahl des Modells zu untersuchen.
Dies ist ein kleiner, überprüfbarer Teil des Moleküldesigns. Langfristig stellt sich die Frage, ob das Lernen aus Rekonstruktionsaufgaben einem System hilft, nützliche Moleküle vorzuschlagen.
Die Demo nutzt zwei Beobachtungen, zwei Kandidaten und eine Molekülfamilie. Jeder Eigenschaftskanal der Quelle enthält 136 Ausgangsprobleme mit zwei bis vier Kandidaten je Aufgabe.
Quelle: Xie et al., MolP2SBench (2026). Zitation & zugrunde liegende Daten.
1.45724 D
5.37590 D
Zwei Fragen mit denselben Kandidaten. Vergleichen Sie jede Auswahl mit ihrer Referenz, um erfolgreiche und fehlerhafte Vorhersagen zu erkennen.
Dieses Beispiel ausprobierenEine Lehrfamilie · berechnete DipolbeträgeWissenschaftliche Entdeckungen eröffnen viele mögliche Hypothesen und Entwürfe. Bessere Verfahren zur Wahl des nächsten Schritts können unnötige Versuche verringern. Wir sammeln Ressourcen, mit denen Forschende solche Verbesserungen prüfen können.
Rekursive Selbstverbesserung (RSI) nutzt die aktuellen Fähigkeiten eines Systems, um es zu verbessern, und setzt die aktualisierten Fähigkeiten in weiteren Verbesserungsrunden ein. Mechanismus ansehen.
Für einen Datenvorschlag genügen zunächst ein Link und ein Beispiel; ein unabhängiger Testsatz kann später entstehen.
Ausgewählte Forschung · Geprüft am
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. Okt. 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.
Eine gemeinsame wissenschaftliche Sammlung
Der Datensatz eines Projekts kann zum Ausgangspunkt für ein anderes werden. Teilen Sie eigene oder kuratierte wissenschaftliche Daten mit überprüfbaren Ergebnissen und hilfreichen Rückmeldungen. Eine Publikation ist optional; Links zu bestehenden Datenquellen sind willkommen.
