谷歌科研AI给想法排序追平对手快3.1倍
用 LLM agent 自动做科研，跑得越久越容易乱。想法越攒越多，而每试一个都要真跑实验，且一旦代码没写好、写偏了，分数还会记到别的想法头上。

Google Cloud AI Research 和威斯康星大学麦迪逊分校的 AIM，要解决的就是这件事。在 AutoLab 的 10 个任务上，它比最强基线高出 1.6 到 4.9 个百分点，追平基线成绩最多快 3.1 倍。

AIDE、AlphaEvolve 这类系统直接改代码，ScientistOne 则先挑想法再交给 solver 实现。AIM 属于后一派，补的是这一派想法池没人整理的毛病。

它参考了贝叶斯优化的框架，把代理模型和采集函数换成 LLM agent，有点像导师带学生挑课题。想法先按方向分组，再只排名次，不让 LLM 硬估分数；分派时一部分分支深挖高分方向，另一部分去试没人碰过的。

那代码写歪了怎么办呢？Solution Auditor 会给每次实现打标，trivial、task_mismatch 和 reward_hacking（钻验证器空子）直接作废，预算照扣；如果是 idea_mismatch，它就反推代码实际做了什么，把分数记到真正的方向上。

系统优化的 5 个任务上，AIM 平均 67.0，ScientistOne 是 65.4；到了长程任务，差距拉大到 55.8 对 50.9。在 Flash Attention 上，AIM 用 3.3 小时就到了 90.5%，ScientistOne 跑了 3.5 小时才到 86.2%。

同一任务的消融实验里，去掉负责分组排名的 Agentic Surrogate 跌得最多，掉到 85.9；去掉 Solution Auditor 也会掉到 87.6。

不过在 Data Select IFEval 上，AIM 只有 61.8，AdaEvolve 是 82.7，这种反复精调同一个配方的任务，直接改代码反而更占便宜。

arXiv 2609.38445
人工智能 AIAgent 自动化科研 贝叶斯优化