InternAgent-1.5: Uma Estrutura Agente Unificada para a Descoberta Científica Autônoma de Longo Horizonte
InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery
February 9, 2026
Autores: 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
Resumo
Apresentamos o InternAgent-1.5, um sistema unificado concebido para a descoberta científica de ponta a ponta em domínios computacionais e empíricos. O sistema é construído sobre uma arquitetura estruturada composta por três subsistemas coordenados para geração, verificação e evolução. Estes subsistemas são suportados por capacidades fundamentais de pesquisa profunda, otimização de soluções e memória de longo horizonte. A arquitetura permite que o InternAgent-1.5 opere continuamente através de ciclos de descoberta prolongados, mantendo um comportamento coerente e em melhoria. Também possibilita que o sistema coordene a modelagem computacional e a experimentação laboratorial dentro de um único sistema unificado. Avaliamos o InternAgent-1.5 em benchmarks de raciocínio científico como GAIA, HLE, GPQA e FrontierScience, e o sistema atinge um desempenho líder que demonstra sólidas capacidades fundamentais. Para além destes benchmarks, avaliamos ainda duas categorias de tarefas de descoberta. Em tarefas de descoberta de algoritmos, o InternAgent-1.5 concebe autonomamente métodos competitivos para problemas centrais de aprendizagem automática. Em tarefas de descoberta empírica, executa experiências computacionais ou laboratoriais completas e produz descobertas científicas nos domínios da terra, da vida, biológicos e físicos. No geral, estes resultados mostram que o InternAgent-1.5 fornece uma estrutura geral e escalável para a descoberta científica autónoma.
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.