Autoaperfeiçoamento recursivo para a ciência
Uma coleção comunitária de conjuntos de dados científicos e benchmarks para o autoaperfeiçoamento recursivo.
Baixe os dados, verifique as respostas do seu modelo e utilize o feedback de desenvolvimento para orientar as revisões. Contribua com um conjunto de dados para que outros possam aproveitá-lo.
Como estes recursos apoiam a pesquisa em RSIMolP2SBench Descoberta molecular
Oculte um fragmento de uma estrutura conhecida e peça ao modelo para o recuperar a partir de propriedades físicas calculadas. O registo original fornece a resposta de referência; variar as evidências ajuda a investigar a escolha do modelo.
Esta é uma pequena parte testável do concepção molecular. A questão a mais longo prazo é se aprender com tarefas de reconstrução pode ajudar um sistema a propor moléculas úteis.
A demonstração utiliza duas observações, dois candidatos e uma família molecular. Cada canal de propriedade da fonte contém 136 problemas de origem, com dois a quatro candidatos por tarefa.
Fonte: Xie et al., MolP2SBench (2026). Citação e dados subjacentes.
1.45724 D
5.37590 D
Duas perguntas, os mesmos candidatos. Compare cada escolha com a sua referência para ver onde as previsões acertam ou falham.
Experimentar este exemploUma família didática · magnitudes de dipolo calculadasA descoberta científica envolve muitas hipóteses e desenhos possíveis. Melhores formas de escolher o próximo passo podem reduzir ensaios desnecessários. Reunimos recursos que ajudam os pesquisadores a testar essas melhorias.
O autoaperfeiçoamento recursivo (RSI) usa as capacidades atuais de um sistema para melhorá-lo e incorpora as capacidades atualizadas às próximas rodadas de melhoria. Ver o mecanismo.
Para sugerir uma fonte, basta um link e um exemplo; um conjunto de teste independente pode ser preparado depois.
Requisitos dos conjuntos de dados · Contribuir com um conjunto de dados
Pesquisa selecionada · Revisada em
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 de out. de 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.
Uma coleção científica compartilhada
O conjunto de dados de um projeto pode tornar-se o ponto de partida de outro. Compartilhe dados científicos originais ou com curadoria, com resultados verificáveis e feedback útil. Um artigo é opcional, e links para fontes de dados existentes são bem-vindos.
