InternAgent-1.5: Un Marco de Agente Unificado para el Descubrimiento Científico Autónomo de Horizonte Largo

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

February 9, 2026

Autores: 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

Resumen

Presentamos InternAgent-1.5, un sistema unificado diseñado para el descubrimiento científico de extremo a extremo en dominios computacionales y empíricos. El sistema se basa en una arquitectura estructurada compuesta por tres subsistemas coordinados para la generación, verificación y evolución. Estos subsistemas están respaldados por capacidades fundamentales de investigación profunda, optimización de soluciones y memoria de horizonte largo. La arquitectura permite que InternAgent-1.5 opere de forma continua a lo largo de ciclos de descubrimiento extendidos, manteniendo un comportamiento coherente y en mejora. También permite al sistema coordinar el modelado computacional y la experimentación de laboratorio dentro de un único sistema unificado. Evaluamos InternAgent-1.5 en benchmarks de razonamiento científico como GAIA, HLE, GPQA y FrontierScience, y el sistema logra un rendimiento líder que demuestra sólidas capacidades fundamentales. Más allá de estos benchmarks, evaluamos además dos categorías de tareas de descubrimiento. En tareas de descubrimiento de algoritmos, InternAgent-1.5 diseña autónomamente métodos competitivos para problemas centrales del aprendizaje automático. En tareas de descubrimiento empírico, ejecuta experimentos computacionales o de laboratorio húmedo completos y produce hallazgos científicos en los dominios de la tierra, la vida, la biología y la física. En general, estos resultados muestran que InternAgent-1.5 proporciona un marco general y escalable para el descubrimiento científico autónomo.

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.