ScienceBuddy: el agente científico que aprende con investigadores mediante mejora anidada

Un equipo liderado por PhAI Labs abrió un espacio de faena para el diario de los científicos con un estudio del 15 de septiembre de 2026: ScienceBuddy. Los registros ScienceBuddy en GitHub parten una caja de 224 herramientas en 22 grupos de función, de la ciencia de genes a la biología de moléculas y cáncer, de los saberes de fármacos a la faena de imágenes, de los barridos de letra a los pedidos de bases. La tesis en una línea: la labor armada con investigadores debería volverse mejor faena en la ronda siguiente. Arreglar una respuesta en charla no basta; las formas de faena como el modelo que las lleva deben avanzar para bien.

La idea en palabras llanas es esta: en casa de un piso vives y faenas en un cuarto; en casa de dos pisos la planta baja es el taller y la alta es el maestro. El ciclo de adentro ordena el taller: el modelo queda fijo mientras las formas se repasan. El ciclo de afuera forma al maestro: el modelo se vuelve más fuerte por aprendizaje con premio en el taller elegido. Como el taller cambia, la faena del maestro cambia; como el maestro crece, el orden del taller se repasa. El informe técnico en arXiv llama este lazo de dos vías el corazón del estudio.

Las formas adentro, el modelo afuera: el ciclo anidado

En el ciclo de adentro, el modelo de faena queda fijo; un modelo auxiliar fijo aparte revisa las fallas y sugiere retoques con cota a las instrucciones, a los paquetes de habilidad o a los ajustes de contexto. Un candidato solo se acepta si cumple los límites de retoque y avanza en medidas de desarrollo pareadas. Los lanzamientos siguientes llevan la prueba hacia el retoque próximo. Las faenas de desarrollo quedan aparte de las faenas de entreno de política y de un lote final de prueba puesto al lado; el lote final no informa ni los retoques ni las elecciones. Los lotes de faenas bien formados se guardan lanzables con sus instrucciones y entradas.

En el ciclo de afuera, una vez que el montaje mejora, las faenas duras se vuelven corrientes y pierden su valor de entreno. Entonces los entornos se ajustan al modelo actual y al montaje elegido con lanzamientos piloto, y las faenas venidas de investigadores se varían con entradas científicas. Un compositor fijo de criterios deriva los criterios de faena desde el trazo de labor fuente para cada faena: controles de acierto más necesidades de prueba y salida se apilan con peso. La recompensa cae al fin del trazo y se riega a los tokens dados como ventaja común. Mientras el entreno gira, formas y criterios quedan fijos; las charlas pasadas dan definiciones de faenas y pruebas de diagnóstico, no muestras de entreno en línea.

El espacio de faena junta charla, trazo, cuenta y paneles de resultados en una vista. Los investigadores dan la pregunta con los datos, revisan la revista que sale, afinan la faena con mensajes siguientes. La ejecución sigue un ciclo de razonar-hacer-mirar estilo ReAct; el registro ReAct en arXiv cuenta como la idea fundadora de este ciclo de razón-acción. Python, R y la línea de mando se sirven, bases en línea y lago local de datos se completan. Papeles subidos, tablas, tiras e imágenes descansan en el espacio durable. El montaje queda aparte de la base: instrucciones, paquetes de habilidad y formas de contexto son piezas repasables. Los docs de control HarborFramework dicen cómo un lote de faena corre y se nota con sus instrucciones y entradas.

Tres rondas corrieron espalda con espalda: 10 pasos de búsqueda de montaje por ronda, luego 20 puestas al día con premio bajo el montaje elegido; el modelo de arranque es Qwen-3.8-4B. Los docs Qwen en HuggingFace dicen cómo los modelos chicos corren faenas de agentes. Las medidas de montaje treparon de 38,9 a 44,4, de 34,4 a 46,7 y de 61,1 a 70,0 por ciento por ronda, con la recompensa media de entreno subiendo en las tres rondas. Lectura de letra, juicios de bases, arreglo de protocolos más nota de genes y variantes formaban cuatro familias de ciencias. El estudio Biomni de raíz Stanford puso el suelo de tales faenas de agentes de biomedicina. Los registros LAB-Bench en GitHub muestran cómo las faenas de letra y protocolos se notan.

Tres rondas, cuatro familias: lo que dicen los números

Al final, la puntería al primer intento trepó de 42,2 a 73,3 por ciento; 33,3 por ciento de faenas volcó de mal a bien, con solo 2,2 por ciento yendo de bien a mal. Las ganancias se ven en las cuatro familias; el progreso alcanzó faenas nunca resueltas, anchan la cobertura del sistema. Este suelo es sólido: mismos lotes de prueba, comparación pareada inicio-fin. El lado débil está escrito honesto: el modelo auxiliar reflector queda fijo, así el éxito de faenas subió pero el montaje de mejora mismo no puede contarse como reforzado.

Dos casos separados prueban las piezas una por una. La adaptación del montaje vio un mejor 75,0 por ciento en 24 lotes; el montaje elegido trepó de 31,1 a 51,1 por ciento en un lote de control separado, una ganancia de 20 puntos sin tocar los pesos del modelo. Cuatro entradas de instrucciones más nueve habilidades acotadas del montaje elegido cubren lanzamientos Python, controles de fuentes y esquemas, búsqueda con cota de registros y entrega abierta de respuestas. El lado de aprendizaje del modelo llevó la cobertura en cuatro intentos de 48,3 a 67,8 por ciento con cerca de dos horas de premio; montaje y presupuestos de intentos quedaron iguales.

También hay casos de interacción real: un plan centrado en genes se armó para una revista JAK1 en un sino de pulmón de celdas chicas, dando Seurat y Scanpy a las revistas de una celda, UCell y AUCell a la nota de firmas, CellChat y NicheNet a las charlas de celdas. En un pedido de mesa ARL4C, la criba candidata se ató a las pruebas de celdas y moléculas con Python y PyPDF2, cada afirme clavado a su panel de apoyo. La línea GEPA alega que la evolución de pedidos con espejo puede pasar al premio; los registros GEPA en GitHub explican esta línea.

Los límites honestos están escritos en el informe: el reflector queda fijo, no hay faena multi-nodo, flaca la extensión a más metas. La lección queda clara: cuando los trazos de labor se vuelven definiciones de faenas, las faenas criterios y los criterios premios, el sistema lleva sus formas como su modelo adelante en cada ronda. Todo equipo cuya factura de entreno crece aprende la misma lección: escribir primero con investigadores lo que se enseña, luego probar formas y modelos aparte.