InternAgent-1.5: Ein einheitliches agentenbasiertes Framework für langfristige autonome wissenschaftliche Entdeckungen

InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery

February 9, 2026

papers.authors: Shiyang Feng, Runmin Ma, Xiangchao Yan, Yue Fan, Yusong Hu, Songtao Huang, Shuaiyu Zhang, Zongsheng Cao, Tianshuo Peng, Jiakang Yuan, Zijie Guo, Zhijie Zhong, Shangheng Du, Weida Wang, Jinxin Shi, Yuhao Zhou, Xiaohan He, Zhiyin Yu, Fangchen Yu, Qihao Zheng, Jiamin Wu, Mianxin Liu, Chi Zhang, Shaowei Hou, Shuya Li, Yankai Jiang, Wenjie Lou, Lilong Wang, Zifu Wang, Jiong Wang, Wanghan Xu, Yue Deng, Dongrui Liu, Yiheng Wang, Wenlong Zhang, Fenghua Ling, Shufei Zhang, Xiaosong Wang, Shuangjia Zheng, Xun Huang, Siqi Sun, Shuyue Hu, Peng Ye, Chunfeng Song, Bin Wang, Conghui He, Yihao Liu, Xin Li, Qibin Hou, Tao Chen, Xiangyu Yue, Bin Wang, Liang He, Dahua Lin, Bowen Zhou, Bo Zhang, Lei Bai

cs.AI

papers.abstract

Wir stellen InternAgent-1.5 vor, ein einheitliches System, das für end-to-end wissenschaftliche Entdeckungen in rechnerischen und empirischen Domänen konzipiert ist. Das System basiert auf einer strukturierten Architektur, die aus drei koordinierten Subsystemen für Generierung, Verifikation und Evolution besteht. Diese Subsysteme werden durch grundlegende Fähigkeiten für tiefgehende Forschung, Lösungsoptimierung und Langzeitgedächtnis unterstützt. Die Architektur ermöglicht es InternAgent-1.5, kontinuierlich über längere Entdeckungszyklen hinweg zu operieren und dabei kohärentes und sich verbesserndes Verhalten beizubehalten. Sie befähigt das System auch, rechnerische Modellierung und Laborexperimente innerhalb eines einzigen, einheitlichen Systems zu koordinieren. Wir evaluieren InternAgent-1.5 anhand wissenschaftlicher Reasoning-Benchmarks wie GAIA, HLE, GPQA und FrontierScience, wobei das System eine führende Leistung erzielt, die starke grundlegende Fähigkeiten demonstriert. Über diese Benchmarks hinaus bewerten wir weiterhin zwei Kategorien von Entdeckungsaufgaben. In Algorithmen-Entdeckungsaufgaben entwirft InternAgent-1.5 autonom wettbewerbsfähige Methoden für zentrale Probleme des maschinellen Lernens. In empirischen Entdeckungsaufgaben führt es vollständige rechnerische oder Labor-Experimente durch und erzeugt wissenschaftliche Erkenntnisse in den Bereichen Geowissenschaften, Lebenswissenschaften, Biologie und Physik. Insgesamt zeigen diese Ergebnisse, dass InternAgent-1.5 einen allgemeinen und skalierbaren Rahmen für autonome wissenschaftliche Entdeckungen bereitstellt.

English

We introduce InternAgent-1.5, a unified system designed for end-to-end scientific discovery across computational and empirical domains. The system is built on a structured architecture composed of three coordinated subsystems for generation, verification, and evolution. These subsystems are supported by foundational capabilities for deep research, solution optimization, and long horizon memory. The architecture allows InternAgent-1.5 to operate continuously across extended discovery cycles while maintaining coherent and improving behavior. It also enables the system to coordinate computational modeling and laboratory experimentation within a single unified system. We evaluate InternAgent-1.5 on scientific reasoning benchmarks such as GAIA, HLE, GPQA, and FrontierScience, and the system achieves leading performance that demonstrates strong foundational capabilities. Beyond these benchmarks, we further assess two categories of discovery tasks. In algorithm discovery tasks, InternAgent-1.5 autonomously designs competitive methods for core machine learning problems. In empirical discovery tasks, it executes complete computational or wet lab experiments and produces scientific findings in earth, life, biological, and physical domains. Overall, these results show that InternAgent-1.5 provides a general and scalable framework for autonomous scientific discovery.