InternAgent-1.5: Унифицированная агентная система для автономного научного открытия в долгосрочной перспективе

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

February 9, 2026

Авторы: 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

Аннотация

Мы представляем InternAgent-1.5 — унифицированную систему, предназначенную для сквозного научного открытия в вычислительных и эмпирических областях. Система построена на структурированной архитектуре, состоящей из трёх скоординированных подсистем: генерации, верификации и эволюции. Эти подсистемы поддерживаются базовыми возможностями для глубокого исследования, оптимизации решений и долговременной памяти. Архитектура позволяет InternAgent-1.5 работать непрерывно в течение продолжительных циклов открытия, сохраняя согласованное и улучшающееся поведение. Она также позволяет системе координировать вычислительное моделирование и лабораторные эксперименты в рамках единой унифицированной системы. Мы оцениваем InternAgent-1.5 на наборах задач для научных рассуждений, таких как GAIA, HLE, GPQA и FrontierScience, где система демонстрирует лидирующую производительность, подтверждающую её сильные базовые возможности. Помимо этих тестов, мы дополнительно оцениваем две категории задач на открытие. В задачах открытия алгоритмов InternAgent-1.5 автономно разрабатывает конкурентоспособные методы для основных проблем машинного обучения. В задачах эмпирического открытия система выполняет полные вычислительные или лабораторные эксперименты и производит научные результаты в областях наук о Земле, жизни, биологии и физики. В целом, эти результаты показывают, что InternAgent-1.5 предоставляет универсальную и масштабируемую основу для автономного научного открытия.

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.