InternAgent-1.5: Een Uniform Agent-gebaseerd Kader voor Autonome Wetenschappelijke Ontdekking op Lange Termijn

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

February 9, 2026

Auteurs: 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

Samenvatting

Wij introduceren InternAgent-1.5, een geïntegreerd systeem ontworpen voor end-to-end wetenschappelijke ontdekkingen in zowel computationele als empirische domeinen. Het systeem is gebouwd op een gestructureerde architectuur bestaande uit drie gecoördineerde subsystemen voor generatie, verificatie en evolutie. Deze subsystemen worden ondersteund door fundamentele capaciteiten voor diepgaand onderzoek, oplossingsoptimalisatie en langetermijngeheugen. De architectuur stelt InternAgent-1.5 in staat continu te opereren over uitgebreide ontdekkingscycli, waarbij coherent en verbeterend gedrag wordt behouden. Het stelt het systeem ook in staat computationele modellering en laboratoriumexperimenten te coördineren binnen één geïntegreerd systeem. Wij evalueren InternAgent-1.5 op wetenschappelijke redeneerbenchmarks zoals GAIA, HLE, GPQA en FrontierScience, waarbij het systeem toonaangevende prestaties bereikt die sterke fundamentele capaciteiten aantonen. Naast deze benchmarks beoordelen we verder twee categorieën van ontdekkingstaken. In algoritme-ontdekkingstaken ontwerpt InternAgent-1.5 autonoom competitieve methoden voor kernproblemen in machinaal leren. In empirische ontdekkingstaken voert het complete computationele of natte-labexperimenten uit en produceert het wetenschappelijke bevindingen in aardse, levens-, biologische en fysische domeinen. Over het geheel genomen tonen deze resultaten aan dat InternAgent-1.5 een algemeen en schaalbaar kader biedt voor autonome wetenschappelijke ontdekking.

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.