Ce soir, ce papier se hisse à la première catégorie des “top当票”, non pas en cherchant à faire grossir le modèle, mais en transformant la bibliothèque mondiale de codes scientifiques en un environnement d’exécution directement opérationnel, vérifiable et entraînable. L’idée centrale consiste à fournir à l’agent un espace de travail assorti de critères d’acceptation exécutables, afin qu’il écrive le code comme un ingénieur, le modifie, puis vérifie le vrai et le faux à l’aide de principes scientifiques.

Le point clé, côté entraînement, est que cet environnement offre trois modes—fine-tuning supervisé, apprentissage par renforcement et évaluation—pour disposer de données. Il regroupe les scripts épars, autrefois disséminés dans les annexes des articles, en une base d’exercices unifiée que les prochains agents scientifiques peuvent répéter sans cesse. L’agent ne “mémorise” pas des réponses : il obtient de vrais retours dans un environnement exécutable, et l’article publie également le dépôt. Cette approche peut être réutilisée directement pour un développement itératif.

Pour la sphère crypto, une fois cette voie devenue mature, les projets qui font passer des agents via des protocoles on-chain équivalent à disposer d’un terrain d’entraînement vérifiable. Des plateformes comme $FET et $TAO , qui progressent grâce à la coordination entre plusieurs agents, tirent leur valeur à long terme non pas du modèle lui-même, mais de la capacité de l’agent à accéder à suffisamment d’environnements porteurs de retours. Ce travail repousse d’un grand pas les goulots d’étranglement côté environnement.

#AI论文 #科学代理 #AI