AI Scientist：科研管线确实跑通了，但结论大多还不能信

如果你正在用 Claude Code 这类工具做科研，你和 AI 的分工大概是这样的：你定方向、拆任务，它写代码、跑实验，你审阅、它修改。AI 是副驾驶，方向盘在你手里。这篇专题想讨论一个更激进的版本：如果方向盘也交给 AI，整条科研管线全都自动跑完，从选题、综述、假设，到实验、分析、写作、投稿，会发生什么？2025 到 2026 年，这个问题的答案已经从「不可能」变成了「能跑通，但结论大多还不能信」。下面七章，我们沿着这条管线逐段看。

1. 拐点：AI 把整条科研管线自动跑通了，当事人却选择了撤稿

一条从想法到审稿全自动的管线

2024 年 8 月，Sakana AI 发布了 AI Scientist v1，第一个引起广泛关注的「输入一个研究想法 prompt，输出投稿级论文草稿」的端到端系统。你只给一句话，它自己选题、自己写代码跑实验、自己写 LaTeX 论文、最后还自己写一份按 ML 会议惯例生成的审稿意见。副驾驶模式里「人写代码 AI 补全」的日常经验，在这里被彻底反转：人只剩提供初始想法这一步。

图注：AI Scientist v1 的端到端管线，从左到右：生成 idea 并自评新颖性，自动改代码、跑实验收集数值与图表结果，写成 LaTeX 报告，最后生成自动评审。这就是「管线全自动」的最小心智模型。AI Scientist

这条线就是本专题反复出现的 pipeline（流水线）的最小心智模型：Idea → Experiment → Paper → Review。

一稿通过盲审，却按协议撤稿

2025 年 3 月发生了标志性事件。AI Scientist v2 投了 3 篇论文到 ICLR 2025 的 ICBINB workshop，其中一篇拿到三位审稿人 6、7、6 分，平均 6.33，约排进前 45%，超过 workshop 的接收门槛。需要注意 workshop 的接收率约 70%，比主会议约 32% 宽松得多，但它确实是「AI 论文首次通过盲审」的公开记录。

反常的地方来了：这篇论文没有进入正式科学记录。因为 Sakana 在投稿前就与 ICLR 主办方和 UBC 伦理委员会（IRB）签了三方协议：所有 AI 投稿无论接收与否一律撤稿，审稿人被告知投稿可能由 AI 生成并可选择退出。当事团队自己都不让这篇论文进入科学记录，却在系统论文里把它称为「AI 科学家图灵测试」的雏形。2026 年 3 月，这条管线本身的论文登上了 Nature 正刊，但它讲的是管线能跑通，不是某个 AI 产出的结论被采信。AI Scientist

「管线跑通了」和「结论能被采信」是两件事，这个张力就是全篇的驱动问题。

历史起点：这条路 2023 年就有

别以为全自动科研是 2024 年才冒出来的新事物。2023 年 12 月，Nature 上的 Coscientist 已经用 GPT-4 当 Planner，通过 GOOGLE、PYTHON、DOCUMENTATION、EXPERIMENT 四个命令驱动真实的液体处理机器人，完成了 Suzuki-Miyaura 和 Sonogashira 偶联反应，论文明确写道「实验过程中没有人类做决策」。只是它自动化的是「实验执行」这一整段，还没有把选题和写作连进来。Coscientist

AI Scientist 的新贡献是把整条管线连起来，一直自动到投稿审稿。它做成了，然后选择撤稿。所以问题就变成了：到底是哪一段不可信？

2. 「全流程」是指哪几段？一条从选题到投稿的管线，有几种编法

一条六段管线

把科研拆成流水线，可以分成六段：选题与综述、假设生成、实验设计与代码、实验执行、结果分析、论文写作与投稿审稿。不同系统对它的压缩方式不同：AI Scientist v1 压成三阶段（Idea、Experiment、Paper），data-to-paper 展开成 17 步，FARS 分成四阶段。但心智模型始终是这一条六段线，后面每一章对应其中一段或几段。

同一条管线，不同的编法

同一条管线至少有两种编法。AI Scientist v1 是一个 agent 从头跑到尾的线性流水线；FARS 则把它拆成 Ideation、Planning、Experiment、Writing 四个阶段，每阶段由专门的 agent 子团队负责，多个项目并行跑同一条管道结构。让并行编排成立的关键是贯穿四阶段的 shared workspace（共享工作区）：提案、计划、代码、日志、结果、稿件都写进这份持久项目记忆里，各阶段 agent 随时取用和回写，而不是靠阶段间的口头交接。

图注：FARS 的四阶段架构：Ideation/Planning/Experiment/Writing 四个阶段框，下方一条贯穿的 Shared Workspace 长条（存放 proposals、plans、code、logs、results、manuscripts），右侧是工具盒（网络、curated skills、160 块 GPU 的集群与模型推理端点）。多个项目在阶段框上有并行 lane。FARS

另一条正交的编法是对入口的选择。AI Scientist 是 idea-first：先给研究想法，再找数据验证。data-to-paper 是 data-first：从原始数据出发，让多个 agent 依次走完 17 步研究步骤，直到组装出完整论文。Data-to-Paper

自动化程度的坐标：Level 2 还是 Level 3

有了段和编法，还需要一把尺子。Agentic Science 综述给出了 Level 1 到 Level 4 的刻度：Level 1 是计算 oracle，模型只是静态函数逼近器；Level 2 是 automated research assistant，agent 在人的高阶目标指导下执行定义好的子流程，人仍然主导；Level 3 是 autonomous scientific partner，全栈自主，人只在高层给定 broad research direction（宽泛研究方向）并在关键验证节点介入。2026 年的端到端系统大多落在 Level 2 和 Level 3 之间。

图注：Agentic Science 综述的统一框架：四大学科（生命科学/化学/材料/物理）× Level 1-4 自动化阶梯 × 五类能力（规划推理、工具使用、记忆、协作、优化）× 四段核心流程（观察与假设、实验规划执行、结果分析、综合验证）。这是一个 framework 而非 benchmark，图里不含评分数字。AgenticSurvey

所以「全流程」= 一条六段管线 × 若干种编排方式 × Level 2/3 的自动化刻度。接下来逐段看真实自动化程度，先从前端开始。

3. AI 自己选方向：它觉得「新」的研究，真的新吗？

假设生成的双保险

选题段的核心是假设生成：基于文献与数据提出可验证的假说。AI Scientist v1 在这里设计了「双保险」：每个 idea 先由 LLM 自评 interestingness、novelty、feasibility 三项指标（1 到 10 分）；再调 Semantic Scholar API 检索已有文献，把高语义相似度的 idea 拒掉。机制上听起来很稳：内部自评一道，外部检索一道。

双保险同时失效

独立评测把这道双保险拆穿了。SIGIR Forum 2025 上，Beel 等人完整复现了 v1：12 个想法（10 个 AI 生成 + 2 个 seed）全部被标为 novel，但 micro-batching for SGD、adaptive learning rate、hybrid matrix factorization 这些通通是已有工作。更糟的是，7 篇成功手稿每篇引用中位数只有 5 条，34 条总引用里只有 5 条来自 2020 年之后。SakanaEval

第二道保险失效的原因很具体：Semantic Scholar 只做关键词级检索，不做深度综合，所以拦不住「换个说法就是新」的旧工作。两道保险一起失效，流程如下：

图注:两道新颖性保险双双失效,12 个想法实为已有工作

AI 判断「新不新」，本质上是自我感觉良好。

综述与自定目标：失败率最高的两个环节

选题段还有两个硬数据。Agent Laboratory 的实证显示，文献综述是全管线失败率最高的阶段：gpt-4o 60%、o1-mini 70%、o1-preview 80%。反常点在于更强模型反而更容易失败：它们反复触发 summarize 命令直到触达命令步数上限（max_steps），把整个阶段卡死。所以如果你想让 AI 全程跑，综述段是最该人工兜底的地方。AgentLab

另一个是目标的来源。data-to-paper 区分了 fixed-goal（人类给定目标）和 open-goal（AI 自定目标）两种模式：后者 10 篇里 2 篇出现根本性错误，其中一篇正是目标规约阶段的幻觉导致结论超出数据范围。让 AI 自己立题的风险，不在选题本身，而在于它在立题时就幻觉了。Data-to-Paper

第一段的结论：AI 的「新」不可轻信，综述和自定目标正是人在环（human-in-the-loop）最该插桩的两个环节。

4. AI 自己写实验：能把代码改到「跑出结果」为止吗？

写、跑、读报错、改：一个闭环

第二段是实验执行。AI Scientist v1 用 Aider 改代码：写代码、运行、超时或报错就把 error message 灌回去重写，每个实验最多重试 4 次，单次 timeout 7200 秒。这就是最小闭环，但它有一个关键缺失：没有评分。改到能跑就算赢，跑得好不好没人管。AI Scientist

这个闭环的原型其实 2023 年就有：Coscientist 的 Planner 写 Opentrons 协议、方法名写错、现场查 API 文档纠正、真实反应跑通。机制演进是有来路的。

给代码循环加裁判和记忆

mle-solver 把闭环做了两处升级。第一处是加裁判：用 LLM-as-judge 对「研究计划 + 当前代码 + 运行输出」的整体对齐度打一个 0 到 1 的软评分，而不是只看 dev set 上的 accuracy。第二处是加记忆：维护一个 top-program 池，下一轮从中随机抽一份当 seed。从池里抽新程序是探索新解，用高分程序替换池内最低分是利用已有好解，这就是多臂老虎机式的探索利用权衡，也就是在「试新东西」和「守住已知的好东西」之间做平衡，论文原话叫 balance between exploration and refinement。mle-solver

图注：mle-solver 的五步闭环：A. 命令执行（REPLACE 整文件重写 / EDIT 行级替换）；B. 代码执行（编译验证 + 失败重试）；C. 程序评分（LLM-as-judge 给出 0-1 分）；D. 自反思；E. 性能稳定化（top-program 池 + 批量并行）。mle-solver

树搜索：从单线重试到并行探索

v2 再把「单线重试」升级成树搜索。Best-First Tree Search 把实验拆成四个阶段：初始代码、超参调优、主实验 agenda、消融，每阶段独立跑一棵树。每个节点是一个「实验脚本 + 计划 + error trace + 性能 + 图 + VLM 反馈 + buggy/non-buggy 标志」的组合；非 buggy 节点被扩展去提升性能，buggy 节点被派去用报错信息调试；阶段之间把表现最好的 checkpoint 传下去当下一阶段的根节点。树搜索把「4 次重试就放弃」变成「多个方向并行试、交叉验证」。AI Scientist

图注：v2 的实验树搜索：Stage 1 从根节点并行生成初始代码，节点按运行成败标为 buggy（报错）或 non-buggy；Stage 2 创建超参调优节点；Stage 3 执行研究 agenda；Stage 4 生成消融、复制与聚合节点，阶段之间传递 best checkpoint。AI Scientist

刹车：约四成实验会失败

但机制升级不是免费午餐。独立评测里，12 个想法有 5 个在第一轮就 Failed to run，失败率 42%；而且 Aider 每轮平均只改动 baseline 代码 6260 字符的约 8%，说明它高度依赖人类提供的模板，改的是模板而不是方法学。SakanaEval

图注：独立评测记录的 12 个想法在 Aider 迭代中的字符净变化表：5 行在第一轮就标记 Failed to run（对应 42% 失败率），成功轮次的改动幅度大多在个位数百分比。这张表只证明「改代码」这一段的失败，不代表写作或评测环节。SakanaEval

更有代表性的是一个方法学漏洞：系统本想测 e-fold 交叉验证里 e 取 2、3、4、5，实际执行时却把 e 固定在 2，还不重跑 baseline，结果让 e-fold 显得「不可能地优越」。它无法自检自己的方法学缺陷。自动调试能跑通大部分实验，但约四成会死在第一轮，而「跑出结果」和「跑出正确结果」之间还有一条它看不见的鸿沟。

5. AI 写论文并自评：这份稿子，真人审稿能过吗？

从模板填充到按反馈改稿

写作自动化有两代。v1 是模板填充：Aider 按会议 template 逐节填 LaTeX，引用用 Semantic Scholar 检索补齐，编译错误最多修 5 轮。v2 去掉了模板依赖，引入跨阶段调度的 Experiment Progress Manager 和 VLM 批评循环：图先可视化，VLM 批评图是否准确描述了结果，反馈进树搜索；写稿阶段再评 caption 与图是否一致。AI Scientist

图注：AI Scientist v2 的工作流：Idea Generation → 树搜索实验（橙色块是从阶段一到阶段四跨阶段调度的 Experiment Progress Manager）→ 图表可视化 → 手稿写作 → 评审，全程不再依赖人工代码模板。AI Scientist

Agent Laboratory 的 paper-solver 走的是另一条路：精修。先生成 LaTeX 模板骨架，用 arXiv 工具在相关段落补文献，再用 EDIT 命令精确修改段落，每次修改后编译验证完整性，最后用一个类 NeurIPS 风格的 LLM reviewer 打分，驱动「回到实验还是继续改稿」的决策循环。已知局限是每篇最多生成 2 张图。mle-solver

图注：paper-solver 的四步流程：A. 生成 LaTeX 报告骨架与标准段落占位符；B. 用 arXiv 工具检索文献补进相关段落；C. 编辑阶段用 EDIT 精确修改 + LaTeX 编译验证；D. reward-based 论文评审。AgentLab

data-chaining：可复现性的机制级定义

写作自动化里最值得讲透的是 data-to-paper 的 data-chaining（数据链）。传统可复现性靠模型自觉：「我应该把方法写清楚」。data-chaining 把它变成程序强制：论文里每个被引用的数值，都能经算法验证的超链接逐级回溯。这是一条从论文指向代码的链：Data-to-Paper

每个引用都能按「数值 → 附录 → 表格 → 代码输出 → 代码行」一路点到底。可复现性第一次有了机制保证，而不是论文里的客套话。这正是 data-first 路线与 ideation-first 系统最大的范式差别：前者靠信息流控制强制可溯源，后者靠模型自觉。

「AI 论文能过审」的三层证据

「AI 写的论文能不能过审」要分三层看，三个数字根本不是一回事。

第一层，系统自带的 reviewer 与人类接近。v1 的 Automated Reviewer 在 ICLR 2022 OpenReview 平衡数据集上达到 balanced accuracy（平衡准确率）0.65，人类基线 0.66；Nature 版换了 backend，用 o4-mini 在 2025 post-cutoff 数据上给出 66%。两个数字同源但 backend 不同，要分开说。

第二层，模拟评审。CycleResearcher 用开源模型把「研究」拆成 Research → Review → Refinement 三段闭环：CycleResearcher 生成论文，CycleReviewer 当 reward 模型模拟多位审稿人打分，Iterative SimPO 把偏好对训回研究者模型，循环多轮。它报告 CycleReviewer 比个体人类审稿人的 MAE（平均绝对误差）低 26.89%，模拟 acceptance 31.07%。但这是模拟分，不是真人接收；而且论文脚注自己承认，它生成的实验结果是 fabricated（伪造）的，实验段不是真实执行。CycleResearcher

图注：CycleResearcher 的三段闭环：研究者模型从文献输入生成 outline 与正文，评审者模型给分并构造偏好对，Iterative SimPO 把反馈迭代训回研究者模型。注意其实验段是模拟而非真实运行。CycleResearcher

第三层，真人评审。Virtual Lab 的纳米抗体工作通过了 Nature 审稿，但它保留了人类顶层反馈，不是纯自动管线。再看一个刹车数据：独立评测里 AI Scientist 自带的 reviewer agent 对 10 篇 OpenReview 上的人类论文拒掉 9 篇，其中包括 4 篇被人类接受的，呈现「保守偏置 + 与人类判断错位」；同一评测还发现 7 篇 AI 手稿里 4 篇（57%）含错误或完全幻觉的数值，比如声称训练时间从 116 秒降到 115 秒却没有方法学解释。SakanaEval

写作自动化能把结果变成合规论文，data-chaining 让「可复现」首次有了机制保证；但「能过审」要分三层看：自评接近人类，模拟评审接近 preprint 但实验数据是假的，真人审稿目前只有带人类反馈的管线真正通过。

6. 端到端连起来：管线跑通了，结论就可信了吗？

一套 AI 评 AI 的坐标系

逐段看完，现在把端到端系统放到一起。第三方独立评测早就把 v1 的输出形容为「赶工的本科生作业」：形式像样，执行不认真。2026 年 4 月的横评则第一次把五套系统放进同一个量化坐标系：15 个 FARS 提案，经 wrapper 转成各系统各自格式的输入，四个系统并行各生成 15 篇论文，加上 FARS 自家 15 篇共 75 篇，交给三个独立 LLM reviewer（GPT-5.4、Gemini 3.1 Pro、Claude Opus 4.6），在创新性、严谨性、清晰度、重要性四个维度按 1 到 5 打分。AIScienceBench

图注：这套横评的完整管线：15 个 FARS 提案 → wrapper 转成各系统输入（Data-to-Paper 直接接收数据集）→ 四个系统并行生成 PDF → Sakana v1/v2 的多份 PDF 由 LLM 合并 → 共 75 篇 → 三个独立 LLM reviewer 评分。这就是后面所有分数的生成方式，AI 评 AI。AIScienceBench

结果：FARS 的合成均值 2.14 到 2.47，其余四家 1.00 到 1.87。逐维度看，FARS 也只是 Originality 2.00、Rigor 2.00、Clarity 2.87、Significance 2.00，CycleResearcher 是非 FARS 系统里最好的，Clarity 也只有 1.60。AIScienceBench

图注：五个系统 × 四个维度的合成分数柱状图：FARS 全面领先（Clarity 2.87 最高），其余系统贴近 1.00-1.07 的最低区间。注意这是三个 reviewer 的合成（synthesis）分而非单个 reviewer 分，「2 倍领先」的口径只在 Gemini/Claude 两个 reviewer 上成立。AIScienceBench

最强系统也只有 2.5/5。这就是「跑通管线 ≠ 跑出可信结论」的量化落点。方法学上还要记住两点：这是 LLM 评 LLM，没有人类基线；三个 reviewer 的一致性两极化，Gemini 与 Claude 的 Spearman 相关 ρ=0.907，而 GPT-5.4 与另外两家只有 ρ≈0.32，判据系统性不同。坐标系本身也要打个折扣。

部署级审计：不是精选的成功集

第二根支柱是 FARS 的部署审计。此前所有端到端系统都只展示精选成功样本，v1 是从几百篇里挑 10 篇；FARS 第一次公开 166 篇论文、67 个主题、282 份人类志愿审稿的全量语料，并明确写道：部署的目的不是展示精选成功，而是暴露一个持续运行系统的真实输出分布。FARS

图注：FARS 生成论文的主题分布：蓝条为初始给定的 9 个 seed 主题，灰条为部署过程中自主涌现的 emergent 主题（最大簇是 AI Safety，13 篇）。纵轴是论文篇数，不是时间轴。FARS

这份语料的价值在于主动承认失败。人审 overall 均值只有 3.17（10 分制），11.4% 的论文达到 6 分阈值；三类失分清清楚楚：narrow experimental scope（实验范围过窄）46.8%、methodological limitations（方法学局限）63.1%、integrity issues（诚信问题：fabricated results 7.4%、hallucinated methods 7.8%、hallucinated citations 5.7%）。系统确实自主越过了 seed set，但产出分布里大量是同类弱项目。几代系统的规模对比：

再往前走一步，AgentRxiv 把多个 agent 实验室接到一个中心化 preprint server（预印本服务器）上共享累积，并行模式换来 +13.7% 的相对提升，但总成本 +203.9%，这是作者自报的数字，每一分收益都有可审计的代价。AgentRxiv

正面对照：湿实验路线的可验证性

可信度与可验证性成正比，湿实验路线给出了正面对照。Virtual Lab 让 PI agent 牵头组织免疫学家、ML 专家、计算生物学家三个 agent 开会讨论方案、选工具链（ESM、AlphaFold-Multimer、Rosetta）、各自写代码实现，产出 92 个候选 nanobody（纳米抗体），其中 2 个经 ELISA（酶联免疫吸附实验）湿实验验证对 JN.1/KP.3 变异有改进结合，论文登上了 Nature 正刊。Virtual Lab

图注：Virtual Lab 在 nanobody 设计上的五阶段流程：人类定义 PI 与 Scientific Critic → team meeting 定项目规格 → 选计算工具（ESM/AlphaFold-Multimer/Rosetta）→ 各 agent 写代码实现 → PI 决定打分工作流。92 个候选由此产生并进入湿实验验证。Virtual Lab

自动科研不是只能跑 ML benchmark，也不是只有失败。但注意，这条路上线的人类顶层反馈和湿实验验证，正是它能通过真人审稿的前提。端到端连起来看，量化证据指向同一句话：管线能自动跑，结论离可采信还有相当距离；验证越硬（湿实验 > 可审计语料 > 模拟），结论越可信。

7. 哪些环节真能交给 AI：Nature 的红线，和你的落地顺序

三档风险框架，而不是工具黑名单

最后回答「谁负责、怎么落地」。Nature Portfolio 2026 年的政策放弃了 2023 年「LLM 不满足 authorship 标准」的措辞，换成一份对作者、审稿人、编辑统一适用的三档风险框架：Green（允许）、Amber（谨慎）、Red（禁止）。划分依据不是「用了什么工具」，而是这次 AI 使用是否可逆、可验证、可归因到人。Nature Policy

图注：Nature Portfolio 的三档风险标记：绿色圆勾（Green / Permitted）、琥珀色感叹号（Amber / Exercise caution）、红色菱形感叹号（Red / Not permitted）。三档按风险高低而非工具类型划分。此处仅作结构示意，非官方整图。Nature Policy

把框架落到你自己的项目上：语言润色、翻译 reviewer comments 是 Green；起草摘要、建议实验方法落 Amber，允许但必须人来验证与披露；把 AI 生成内容当作人类产出、伪造数据、把审稿委托给 LLM、把 authorship（署名权）交给 AI，全部 Red。四条核心期望里最关键的一条是 human accountability 不可转移：学术内容、评审与编辑决策的责任，不能委托给 AI。Nature Policy

回头看第一章，AI Scientist 的撤稿加水印正是 Red 档预期的合规操作：AI 生成的论文退出正式科学记录。但那是三方预设立的特例，别当成行业惯例。

落地顺序：先 co-pilot，后 autopilot

政策和数据指向同一个落地顺序。第一步，从可全自动的封闭子任务切入：mle-solver 在 MLE-Bench 拿了 4 块奖牌（2 金 1 银 1 铜），这类「给定数据集和评分函数」的任务交给 agent 跑是安全的。第二步，把整条管线跑成 co-pilot 模式：AgentLab 把 autonomous 与 co-pilot 做成系统级的一等公民，区别只在每个 subtask 末尾是否有人工 checkpoint（检查点）。AgentLab

图注：Agent Laboratory 的三阶段管线（文献综述 / 实验 / 报告写作），底部圆点是插在各子任务末尾的人类 checkpoint：autonomous 与 co-pilot 两种模式跑同一条管线，区别只在检查点有没有人。AgentLab

代价与收益要一起看：co-pilot 把整体分从 3.8/10 拉到 4.13/10（+0.33），外部评审进一步到 4.38，但距 NeurIPS 2024 接收线 5.85 还差 1.45。人在环显著改善的是表达和可信度，而非常识层面的新颖性贡献。data-to-paper 给了同向的最省力证据：复杂目标下，每轮只要 2 到 3 条单句评论，就能把错误论文挽救成准确论文。Data-to-Paper

第三步，低风险环节才试 autopilot，比如审稿总结这类文案任务。顺序的实质是：先让 AI 证明它在封闭任务里靠谱，再在全程有人审阅的 co-pilot 模式里放开，最后才把低风险环节交给全自动。

2026 的诚实结论

收束回光谱。Agentic Science 综述把路线画成四段：computational tools → assistants → autonomous partners → generative architects。Agentic Science 目前主要落在 Level 3（full agentic），Level 4 的 generative architect，也就是自主发明新工具、新方法、新概念框架的 AI，还只是 future prospect，对应的诺贝尔-图灵测试尚未实现。AgenticSurvey

图注：AI for Science 的四阶段演进路线：computational tools → assistants → autonomous partners → generative architects；Agentic Science 标在 Level 3 并建立在 Level 2 之上，Level 4 尚未实现。AgenticSurvey

所以 2026 年的诚实结论是：能全自动的是「执行」，不能全自动的是「负责」。管线值得跑，AI Scientist 们的上线证明了这一点；但结论的署名和问责，得留在人手里。给自己的工作流划一条 Green/Amber/Red 的线，从封闭子任务的全自动开始，用阶段末 checkpoint 把人在关键环节焊死，再逐步把低风险环节交给 autopilot。这就是副驾驶走向自动驾驶时，唯一走得通的路线。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery (v1, 2024) / Towards End-to-End Automation of AI Research (Nature 2026) — arXiv:2408.06292
2. Agent Laboratory: Using LLM Agents as Research Assistants — arXiv:2501.04227
3. Agent Laboratory 的 mle-solver / paper-solver 实现细节（Findings of EMNLP 2025） — ACL Anthology
4. AgentRxiv: Towards Collaborative Autonomous Research — arXiv:2503.18102
5. The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies — Nature 2025
6. Evaluating Sakana's AI Scientist for Autonomous Research（SIGIR Forum 第三方独立评测） — arXiv:2502.14297
7. Autonomous LLM-driven research from data to human-verifiable research papers（data-to-paper, NEJM AI 2025） — arXiv:2404.17605
8. Autonomous chemical research with large language models（Coscientist） — Nature 2023
9. CycleResearcher: Improving Automated Research via Automated Review — arXiv:2411.00816
10. FARS: A Fully Automated Research System Deployed at Scale — arXiv:2606.31651
11. Nature Portfolio Editorial Policies: AI — risk-assessment framework — nature.com
12. Can AI Evaluate AI Scientists? A Benchmarking Study of Autonomous Research Generation Systems — arXiv:2607.28631
13. From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery — arXiv:2508.14111