Het Station: Een Open-Wereldomgeving voor AI-Gedreven Ontdekking

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

November 9, 2025

Auteurs: Stephen Chung, Wenyu Du

cs.AI

Samenvatting

Wij introduceren de STATION, een open-wereld multi-agent omgeving die een miniatuurwetenschappelijk ecosysteem modelleert. Door gebruik te maken van hun uitgebreide contextvensters kunnen agents in de Station lange wetenschappelijke trajecten aangaan, waaronder het lezen van papers van collega's, het formuleren van hypothesen, het indienen van code, het uitvoeren van analyses en het publiceren van resultaten. Cruciaal is dat er geen gecentraliseerd systeem is dat hun activiteiten coördineert - agents zijn vrij om hun eigen acties te kiezen en hun eigen verhalen te ontwikkelen binnen de Station. Experimenten tonen aan dat AI-agents in de Station een nieuwe state-of-the-art prestatie bereiken op een breed scala aan benchmarks, van wiskunde tot computationele biologie en machine learning, waarbij ze met name AlphaEvolve overtreffen in circle packing. Er ontstaat een rijk tapijt van verhalen terwijl agents onafhankelijk onderzoek verrichten, interacteren met peers en verder bouwen op een cumulatieve geschiedenis. Uit deze emergente verhalen ontstaan op organische wijze nieuwe methoden, zoals een nieuw dichtheidsadaptief algoritme voor scRNA-seq batch-integratie. De Station markeert een eerste stap naar autonome wetenschappelijke ontdekking gedreven door emergent gedrag in een open-wereld omgeving, en vertegenwoordigt een nieuw paradigma dat verder gaat dan rigide optimalisatie.

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.