人大高瓴 × 微软研究院开源 Arbor 自主科研框架，用 Hypothesis-Tree 把多次实验组织成可积累的研究状态，登顶 HuggingFace 日榜，长程任务 held-out 增益超 Codex、Claude Code 平均 2.5 倍。
人大高瓴 × 微软研究院开源 Arbor 自主科研框架，用 Hypothesis-Tree 把多次实验组织成可积累的研究状态，登顶 HuggingFace 日榜，长程任务 held-out 增益超 Codex、Claude Code 平均 2.5 倍。
面壁智能开源9B参数全双工全模态模型，12GB显存即可本地运行，支持边看边听边说，附在线Demo和一键安装包
现在的 AI 智能体能写代码、跑实验、改方案，但绝大多数跨不过一道核心门槛：只会执行，不会自主科研。它们试一个方向失败、再试一个方向再失败，偶尔成功也很难把成功背后的机制沉淀下来。中国人民大学高瓴人工智能学院 × Microsoft Research 的研究者开源了 Arbor——一个通用且实用的自主科研框架与工具包，用「假设树（Hypothesis-Tree）」把一次次短暂实验组织成可长期积累、可审计的研究状态。论文已登顶 HuggingFace Daily Paper 日榜第一。
这篇拆解 Arbor 解决什么问题、核心机制、实测效果和怎么上手。
论文把自主科研形式化为 Autonomous Optimization（AO）：给定一个初始 artifact（模型训练代码、agent harness、数据生成 pipeline）+ 研究目标 + 可执行 evaluator，Agent 在无逐步人工监督下，只看 dev 集，通过多轮实验不断改进 artifact，最终在 test 集上提升效果。
现有 Agent 卡在三件事上：
结果就是：Agent 能跑很多次 trial，但这些 trial 汇聚不成真正的 research progress。
上图为一次 Math-Reasoning Data Synthesis 运行得到的假设树，以及对应的 development score 曲线。
Arbor 的关键不是让 Agent 多试几次，而是换一种组织探索的方式。
把研究空间结构化成一棵树，每个节点是一个待验证的假设。Agent 围绕假设做隔离执行、对比证据、更新搜索树，而不是在一条轨迹上闷头试到底。
最核心的组件。失败不是被丢弃的负样本，而是被归因、抽象、传播的研究证据；成功也不是孤立的分数提升，而是可复用的局部发现。这些 insight 沿着树向上传播，持续塑形后续搜索分布——Agent 会更少重复已失败路径，更容易围绕有效机制细化。
Arbor 强调两个设计要点：
在六个真实 AO 任务（涵盖数学推理数据合成、SWE、Terminal-Bench 等）和 MLE-Bench Lite 上：
消融实验进一步验证了 insight 回传的关键性（在 MLE-Bench Lite 上）：
| 配置 | Any Medal |
|---|---|
| 完整 Arbor | 81.82% |
| 去掉假设树 | 63.64% |
| 保留树、再去掉 insight 向上传播 | 54.54% |
一个反直觉的结论：只去掉洞察传播，比直接去掉整棵树掉得还多。一棵不传播经验的树只能把实验「排排坐」，却给不出后续决策真正需要的语义记忆。
💡 提示：Arbor 消耗的 token 与 Claude Code 等基线属于同一量级，却拿到了更大的 held-out 增益。这说明瓶颈不在花了多少算力，而在算力被如何组织。
Arbor 提供独立 CLI 和 Agent SDK，只要你有待优化的 artifact、可执行 evaluator 和明确目标，就能接入跑自主优化。
作者坦承：Arbor 不等于 Agent 已具备人类研究者级的创造力。当前 Agent 生成 idea 的质量仍有大提升空间，在困难任务中可能难以提出真正新颖的机制，或过早放弃潜在方向。如何产生更高质量假设、区分真实提升与偶然过拟合、在更长周期维护可靠记忆，都是 open question。
