从24小时机器学习研发，到近10天组合优化搜索，探索长程科研智能体
给出一套清晰的固定流程，Agent执行起来并不难，可一旦涉及“回头探索与自主纠偏”，Agent往往就卡住了——而这，恰恰是它难以自主推进一项研究的关键瓶颈。科学研究从来不是一条从起点直达终点的直线。
ScienceFlow的思路，是让研究形成一个能自我运转的闭环：“执行—验证—保存—转向”。它给 Agent 配备了一个随时可存档、可回滚的科研工作区。Agent不再只是死板地单向往前冲，而是能根据验证结果自主决策：是继续深入，还是退回某个历史步骤、重新换条路走。
ScienceFlow：让Agent重新思考
ScienceFlow 是华为诺亚方舟实验室打造的长程科研智能体系统，专为机器学习研究、科学建模与数学优化等长程任务而生。它最大的突破，在于赋予了 Agent “第一人称视角”的主动探索能力，真正像一个人类科学家一样去思考和实验：
能随时“存档与回退”：阶段性备份完整工作状态，支持研究成果的继续、重来或分叉探索。
能自己“看懂中间信号”：在实验推进中实时评估价值，发现路线不对立马止损。
能有理有据地“调头”：结合前期反馈，自主决定是继续深挖，还是退回历史节点重新出发。
能从错误中“总结经验”：将所有成败记录转化为经验资产，并通过巧妙的经验折叠，既不挤爆上下文，又能让后续研究越做越聪明。
不只是循环执行：自主推进可恢复的研究过程
ScienceFlow如何自主推进研究路线：ScienceFlow不只依赖文本上下文记录研究进展，而是将代码、数据、模型与验证证据阶段化备份，形成可恢复的真实研究状态。Agent依据实验反馈自主决定继续当前路线、从历史阶段恢复，或切换探索方向。研究路线在执行中逐步形成，而非由高层规划器预先设计。
差异不只在搜索策略，更在搜索对象与状态载体：Agent Loop沿当前交互轨迹持续执行，MCTS搜索状态—动作树，AlphaEvolve进化候选程序种群，MCTS搜索状态—动作树，Agent Loop沿当前交互轨迹持续执行；ScienceFlow则探索由阶段化工作间承载的可恢复研究状态，使研究路线在 Agent 与真实实验环境的持续交互中逐步形成。
OpenAI MLEBench权威榜单登顶！
OpenAI在2024年提出MLE-Bench通过75项真实机器学习竞赛任务，评估Agent从数据理解、实验设计到模型训练和结果迭代的完整研发能力，陆续有知名公司和学术机构（谷歌，微软，百度等）积极参与设计和方案比拼。
ScienceFlow使用开源模型DeepSeek-V4-Flash作为底座，在每项任务24小时预算内，三次独立运行的综合Any-Medal率达到70.22 ± 1.18%，位列当前排行榜第一。这一结果表明，长程状态管理和过程经验驱动的自主研究方法，在不额外增加外界知识情况下，是可以在多类型机器学习任务中稳定转化为最终成绩，总成本：65.5美金。
一个具体案例：从历史状态恢复并探索新路线
自主搜索与在线反馈：ScienceFlow在24小时双 Worker并行探索，以 Validation 为搜索反馈，自主探索 CNN、特征工程、树模型与集成路线，Validation从0.1100持续优化至0.0597。系统的价值判断同时保留关键 GPU 训练、终止低效任务，并将部分工作切换为轻量推理。
状态恢复与资产复用：Agent可以返回历史 Workspace，在保留代码、checkpoint、OOF预测和特征资产的基础上创建新研究分支。S59复用早期 CNN checkpoint，S112和S123进一步重组 OOF、角度特征、LightGBM与宽网络 logits。历史 Workspace由此成为可恢复、可复用的研究节点，并最终形成奖牌级方案。
关键优势：ScienceFlow将长程优化从线性的反复试错，转化为能够保存、回退、复用和重新组合历史成果的分支式自主搜索，在减少重复训练的同时，持续扩大有效方案空间。
10天自主探索：组合优化任务斩获铜牌！
如果24小时考验的是Agent能否完成一项完整机器学习研发任务，那么连续近10天的组合优化性能挑战，考验的就是系统能否保持长期稳定运行。
在GECCO 2026 SpOC 4的Keplerian Tomato Traveling Salesperson Large赛题中，面对复杂约束和大规模解空间，ScienceFlow系统持续生成候选方案、评估任务指标并保存当前结果，最终优化至393.229（越低越好），在Large榜单中获得铜牌，全程没有人工注入额外知识，最终总成本：23.34美金。这项结果的意义不只在于一次排名，证明了ScienceFlow可以在跨越多天的搜索过程中保持研究状态，根据反馈持续调整研究路线，并把阶段性进展沉淀为可恢复的工作成果。
不止机器学习：从科学建模走向数学优化
长周期科研智能体的价值，不应局限在单一基准或单一任务类型。ScienceFlow进一步在科学建模和数学优化场景中进行了验证。
Sci Modeling Bench覆盖8个任务组、13项科学设计优化任务。在统一使用DeepSeek-V4-Flash并采用pass@1评测设置的条件下，ScienceFlow取得54.41的All Score。对比业界常用的Harness包括Claude Code、Codex、OpenCode和Pi。这些任务涉及候选设计、材料与生物分子等不同搜索对象，要求Agent在多轮实验反馈中不断发现更优方案。
在Fourier uncertainty数学优化任务中，ScienceFlow结合OpenPangu，在Hermite多项式设定下，将C4上界推进到0.342293122432，并通过公开验证器复核。这里重要的不只是生成一个候选答案，而是让候选构造、计算实验和严格验证形成完整闭环。
让AI从“助手”，走向长期研究伙伴
今天的大模型已经越来越擅长回答复杂问题，但真正的科研与工程价值，往往来自对同一个目标持续投入、反复试验，并在失败之后找到新的方向。
ScienceFlow所探索的，是从“固定流程”到“自主研究”的跨越：让AI Agent自主推进长期搜索闭环，积累包括成功与失败在内的经验资产，并以经验折叠控制上下文规模，在资源约束下持续寻找更好的结果。
ScienceFlow目前处于研究预览阶段，代码与技术报告预计于2026年8月初开源。未来，团队将继续推进其在机器学习、科学计算、组合优化等Agent长程优化相关方向的研究与验证。
ScienceFlow Team · Huawei Noah's Ark Lab · July 2026
