InternAgent-1.5: Un Framework Agente Unificato per la Scoperta Scientifica Autonoma a Lungo Orizzonte
InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery
February 9, 2026
Autori: 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
Abstract
Introduciamo InternAgent-1.5, un sistema unificato progettato per la scoperta scientifica end-to-end in ambiti computazionali ed empirici. Il sistema è costruito su un'architettura strutturata composta da tre sottosistemi coordinati per la generazione, la verifica e l'evoluzione. Questi sottosistemi sono supportati da capacità fondamentali di ricerca approfondita, ottimizzazione delle soluzioni e memoria a lungo termine. L'architettura consente a InternAgent-1.5 di operare continuamente attraverso cicli di scoperta prolungati, mantenendo un comportamento coerente e migliorativo. Permette inoltre al sistema di coordinare la modellazione computazionale e la sperimentazione di laboratorio all'interno di un unico sistema integrato. Valutiamo InternAgent-1.5 su benchmark di ragionamento scientifico come GAIA, HLE, GPQA e FrontierScience, e il sistema raggiunge prestazioni leader che dimostrano solide capacità fondamentali. Oltre questi benchmark, valutiamo ulteriormente due categorie di compiti di scoperta. Nei compiti di scoperta di algoritmi, InternAgent-1.5 progetta autonomamente metodi competitivi per problemi fondamentali dell'apprendimento automatico. Nei compiti di scoperta empirica, esegue esperimenti computazionali o di laboratorio completi e produce risultati scientifici nei domini delle scienze della terra, della vita, biologiche e fisiche. Nel complesso, questi risultati mostrano che InternAgent-1.5 fornisce un framework generale e scalabile per la scoperta scientifica autonoma.
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.