연구진은 검증 가능한 과학 가설을 만들기 위한 DiscoveryRSI를 개발해 10월 16일 발표된 논문에서 공개했습니다. 이 시스템은 다중 에이전트 진화 탐색과 반복 학습을 결합합니다. 연구진은 가치 있는 가설을 중요한 불확실성에 관한 증거 기반 주장으로 정의하고, 실행 가능한 조사 방법과 명시적 판단 기준, 대안 설명을 함께 둡니다. 가설 트리를 만들고 선정된 조사를 실행 가능한 Harbor 작업으로 바꾸며, 연구 과정에서 학습합니다.

DiscoveryRSI는 세 가지 학습 방식을 사용합니다. 가설 기여도 최적화는 문서화된 연구 기여를 과학적 평가에 연결하고, 실행 환경 재현은 효과적인 전략과 반복되는 실패를 찾아 작업 흐름을 개선합니다. 재발견 방식은 수용된 개선 사항을 새로운 조사에 적용해 추가 학습 경험을 만듭니다. 연구진은 가설의 질과 누적 진전을 평가하는 DFM-Bench도 도입했습니다. 이 평가 도구는 가설, 수정, 발전 경로와 연구 실행 전반을 살핍니다.

생명과학 4개 분야의 자동 평가 점수는 기본 모델의 4.86에서 자기 개선 2회 후 5.39로 올랐으며, 반증 가능성과 데이터 해결 가능성에서 가장 큰 향상을 보였습니다. 전문가 검토에서는 DiscoveryRSI-27B를 다른 연구 에이전트와 비교했습니다. 예비 사람 평가에서 DiscoveryRSI-27B는 가설의 중요도와 주장이 그럴듯하며 증거 범위에 맞는지에 대해 GPT-6 Luna보다 높은 평가를 받았습니다.

DiscoveryRSI-27B가 모델 기준 시점 이후 발표된 연구의 가설과 일치한 비율은 6.3%로, GPT-6의 2.5%와 Claude Opus 5의 2.3%보다 높았습니다. 연구 경로를 따라 개선된 정도도 사람 평가에서 더 높게 나타났습니다.

연구진은 검증 가능한 과학 가설을 만들기 위한 DiscoveryRSI를 개발해 10월 16일 발표된 논문에서 공개했습니다. 이 시스템은 다중 에이전트 진화 탐색과 반복 학습을 결합합니다. 연구진은 가치 있는 가설을 중요한 불확실성에 관한 증거 기반 주장으로 정의하고, 실행 가능한 조사 방법과 명시적 판단 기준, 대안 설명을 함께 둡니다. 가설 트리를 만들고 선정된 조사를 실행 가능한 Harbor 작업으로 바꾸며, 연구 과정에서 학습합니다.

DiscoveryRSI는 세 가지 학습 방식을 사용합니다. 가설 기여도 최적화는 문서화된 연구 기여를 과학적 평가에 연결하고, 실행 환경 재현은 효과적인 전략과 반복되는 실패를 찾아 작업 흐름을 개선합니다. 재발견 방식은 수용된 개선 사항을 새로운 조사에 적용해 추가 학습 경험을 만듭니다. 연구진은 가설의 질과 누적 진전을 평가하는 DFM-Bench도 도입했습니다. 이 평가 도구는 가설, 수정, 발전 경로와 연구 실행 전반을 살핍니다.

생명과학 4개 분야의 자동 평가 점수는 기본 모델의 4.86에서 자기 개선 2회 후 5.39로 올랐으며, 반증 가능성과 데이터 해결 가능성에서 가장 큰 향상을 보였습니다. 전문가 검토에서는 DiscoveryRSI-27B를 다른 연구 에이전트와 비교했습니다. 예비 사람 평가에서 DiscoveryRSI-27B는 가설의 중요도와 주장이 그럴듯하며 증거 범위에 맞는지에 대해 GPT-6 Luna보다 높은 평가를 받았습니다.

DiscoveryRSI-27B가 모델 기준 시점 이후 발표된 연구의 가설과 일치한 비율은 6.3%로, GPT-6의 2.5%와 Claude Opus 5의 2.3%보다 높았습니다. 연구 경로를 따라 개선된 정도도 사람 평가에서 더 높게 나타났습니다.