La Station : Un environnement en monde ouvert pour la découverte par intelligence artificielle

The Station: An Open-World Environment for AI-Driven Discovery

November 9, 2025

papers.authors: Stephen Chung, Wenyu Du

cs.AI

papers.abstract

Nous présentons STATION, un environnement multi-agents en monde ouvert qui modélise un écosystème scientifique miniature. Tirant parti de leurs fenêtres de contexte étendues, les agents de la Station peuvent s'engager dans de longs parcours scientifiques incluant la lecture d'articles de pairs, la formulation d'hypothèses, la soumission de code, la réalisation d'analyses et la publication de résultats. Fait important, il n'existe aucun système centralisé coordonnant leurs activités - les agents sont libres de choisir leurs propres actions et de développer leurs propres récits au sein de la Station. Les expériences démontrent que les agents d'IA de la Station atteignent de nouvelles performances state-of-the-art sur un large éventail de benchmarks, allant des mathématiques à la biologie computationnelle en passant par l'apprentissage automatique, surpassant notamment AlphaEvolve dans le problème de l'empilement de cercles. Une riche tapisserie de récits émerge tandis que les agents poursuivent des recherches indépendantes, interagissent avec leurs pairs et s'appuient sur une histoire cumulative. De ces récits émergents naissent organiquement de nouvelles méthodes, comme un algorithme densité-adaptatif novateur pour l'intégration de lots de données scRNA-seq. La Station représente une première étape vers la découverte scientifique autonome pilotée par le comportement émergent dans un environnement en monde ouvert, incarnant un nouveau paradigme qui dépasse l'optimisation rigide.

English

We introduce the STATION, an open-world multi-agent environment that models a miniature scientific ecosystem. Leveraging their extended context windows, agents in the Station can engage in long scientific journeys that include reading papers from peers, formulating hypotheses, submitting code, performing analyses, and publishing results. Importantly, there is no centralized system coordinating their activities - agents are free to choose their own actions and develop their own narratives within the Station. Experiments demonstrate that AI agents in the Station achieve new state-of-the-art performance on a wide range of benchmarks, spanning from mathematics to computational biology to machine learning, notably surpassing AlphaEvolve in circle packing. A rich tapestry of narratives emerges as agents pursue independent research, interact with peers, and build upon a cumulative history. From these emergent narratives, novel methods arise organically, such as a new density-adaptive algorithm for scRNA-seq batch integration. The Station marks a first step towards autonomous scientific discovery driven by emergent behavior in an open-world environment, representing a new paradigm that moves beyond rigid optimization.