Станция: Открытая среда для открытий на основе искусственного интеллекта

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

November 9, 2025

Авторы: Stephen Chung, Wenyu Du

cs.AI

Аннотация

Мы представляем STATION — открытую многoагентную среду, моделирующую миниатюрную научную экосистему. Благодаря расширенным контекстным окнам агенты в Station могут участвовать в длительных научных процессах, включая чтение статей коллег, формулирование гипотез, отправку кода, проведение анализов и публикацию результатов. Важно, что в системе отсутствует централизованный координационный механизм — агенты свободны в выборе действий и формировании собственных нарративов внутри Station. Эксперименты демонстрируют, что ИИ-агенты в Station достигают нового рекордного уровня производительности на широком спектре тестов — от математики до вычислительной биологии и машинного обучения, в частности превосходя AlphaEvolve в задаче упаковки кругов. По мере того как агенты занимаются независимыми исследованиями, взаимодействуют с коллегами и опираются на кумулятивную историю, возникает богатая палитра нарративов. Из этих возникающих нарративов органично появляются новые методы, такие как адаптивный к плотности алгоритм интеграции данных scRNA-seq. Station представляет собой первый шаг к автономному научному открытию, движимому emergent-поведением в открытой среде, что знаменует новую парадигму, выходящую за рамки жесткой оптимизации.

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.