InternAgent-1.5 : Un cadre agentique unifié pour la découverte scientifique autonome à long terme

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

Nous présentons InternAgent-1.5, un système unifié conçu pour la découverte scientifique de bout en bout dans les domaines computationnels et empiriques. Le système repose sur une architecture structurée composée de trois sous-systèmes coordonnés pour la génération, la vérification et l'évolution. Ces sous-systèmes sont soutenus par des capacités fondamentales de recherche approfondie, d'optimisation de solutions et de mémoire à long terme. L'architecture permet à InternAgent-1.5 de fonctionner continuellement sur des cycles de découverte étendus tout en maintenant un comportement cohérent et amélioré. Elle permet également au système de coordonner la modélisation computationnelle et l'expérimentation en laboratoire au sein d'un même système unifié. Nous évaluons InternAgent-1.5 sur des référentiels de raisonnement scientifique tels que GAIA, HLE, GPQA et FrontierScience, et le système obtient des performances leaders qui démontrent de solides capacités fondamentales. Au-delà de ces référentiels, nous évaluons en outre deux catégories de tâches de découverte. Dans les tâches de découverte d'algorithmes, InternAgent-1.5 conçoit de manière autonome des méthodes compétitives pour les problèmes fondamentaux de l'apprentissage automatique. Dans les tâches de découverte empirique, il exécute des expériences computationnelles ou de laboratoire complètes et produit des résultats scientifiques dans les domaines des sciences de la Terre, de la vie, biologiques et physiques. Dans l'ensemble, ces résultats montrent qu'InternAgent-1.5 fournit un cadre général et évolutif pour la découverte scientifique autonome.

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.