科学研究是一个反复试错的过程。研究者试一个方向，看结果，把教训带进下一次尝试。

能不能让 AI Agent 自动跑完这个循环，有记忆，能积累经验，让每次实验都变成可积累、可复盘的研究进展？

像 OpenAI 的 Codex、Anthropic 的 Claude Code 这类编码 Agent，已经能在真实代码库里跑几十个小时干活也没问题，但拉长到研究周期，单点能干并不等于整体能积累。

一个 Agent 能不能把上一次失败的经验带到下一次尝试里，比它能跑多久更要紧。

中国人民大学高瓴人工智能学院和 Microsoft Research 的研究者交出的答案是 Arbor。

它把每次实验挂到一棵不断生长的假设树上，让策略、代码、证据和教训跨周期保留下来。

在六道真实研究任务上，Arbor 全部拿到最佳留出结果，平均留出增益是 Codex 和 Claude Code 的 2.5 倍以上。

在 MLE-Bench Lite 上配合 GPT-5.5，Arbor 拿到 86.36% 的 Any Medal（任意奖牌）成绩，是目前对比里的最高值。

把研究做成一棵树

科研的真实麻烦不在解题，在持续。一个长周期里，研究者要面对不确定的假设、烧钱的实验、接连的失败和延迟的反馈。每跑一次，都得想清楚下一步往哪走。

失败的尝试里通常藏着信息，能不能把这些信息留下来，决定了下一轮是从零开始还是踩在肩膀上。

团队把困境形式化成 Autonomous Optimization（自主优化，简称 AO）。给 Agent 一个初始 artifact（工件，通常是代码库），一个目标，一个评估器，让它在不靠人逐步盯的情况下，通过反复实验把这个 artifact 改进。

难点在于，研究反馈是延迟的，实验是贵的，失败是常见的，一个把每次试验当独立局部尝试的 Agent，会丢掉研究过程本身的结构。AO 跟普通的 Agent 工具调用不同，目标不是一次性的回答或代码补丁，要的是一条持续的研究轨迹，得提出假设、改 artifact、解读反馈、决定哪个方向继续。

Arbor 的核心是 Hypothesis Tree Refinement（假设树精炼，简称 HTR）。研究状态不再是最新代码加最新分数，而是一棵持久生长的树。每个节点绑着四样东西，一个假设、对应版本的 artifact、实验证据、提炼出来的 insight（洞察）。

靠近根的节点是宽泛的研究方向，越往下越具体，到叶子就是可以直接交执行的修改方案。从宽到窄的层次，让探索变成渐进式细化，不是一堆扁平的独立尝试。

整套系统分成两层。一个长寿的 coordinator（协调器）负责管这棵树，决定往哪扩、剪哪枝、合哪条。一群短期的 executor（执行器）各自被派出去测一个叶子假设，在独立的 git worktree（工作树）里改代码、跑评估，回来交一份结构化报告，包含分数、事实结果、洞察和分支引用。

coordinator 拿到报告，写回叶子节点，把洞察沿路径往根方向抽象上去，再决定下一步。这个分工的妙处在于，探索性的代码改动被锁在隔离分支里，主干永远干净，树里只记决策相关的证据，不会被一堆工具调用日志撑爆。

coordinator 的循环是六步。

Observe（观察）读当前树状态，包括前沿节点、最近返回的证据、祖先洞察和当前最优 artifact。

Ideate（构思）在选定父节点下提出几个子假设，每个子假设都建立在已积累的证据上，被验证的洞察能当假设用，被剪掉的节点能当负面约束用。

Select（挑选）选要执行的叶子，挑选不只看分数高低，也看兄弟节点之间有没有未解决的歧义，看失败能不能澄清关键假设。

Dispatch（派发）丢给 executor。

Backpropagate（回传）把证据和洞察往上传。

Decide（决断）决定继续、剪枝还是合并。合并这道关卡最关键，候选分支必须先用留出的 test 评估器证明自己比当前最优好，才能进主干。

Figure 2 把这套机制画清楚了。左边是 coordinator 拿着全局树状态做战略决策，右边是一排短期 executor 在隔离环境里做局部实验，中间这棵树既是搜索前沿，也是过去所有尝试的记忆，还是 artifact 改进的审计轨迹。

一次 Arbor 跑下来，能拿到的不只是改进后的代码，还有一整棵记录了什么试过、什么验证过、什么被剪掉的研究树。

六道真题全胜

研究者搭了一套 AO Task Suite（AO 任务集），六道题覆盖三大类研究场景，模型训练、Harness 工程、数据合成。

每道题都明确分了 dev（开发集）和 test（测试集）。dev 给 Agent 反复试错用，test 只留出来做最终验证。

dev test 切分看起来朴素，却是后面所有结论的地基。很多既往 benchmark 要么没有清晰的 dev test 划分，让迭代搜索容易过拟合，要么只覆盖一两种任务类型，让通用性没法验。

Arbor 将六个真实研究任务与 Codex 和 Claude Code 对照。

Arbor 在六道题的留出 test 上全部第一。

模型训练里，Architecture Design 把 loss 从 1.098 拉到 1.028，相对改进 6.38%，Codex 是 1.37%，Claude Code 是 5.92%。

Optimizer Design 把训练步数从 3325 压到 3237.5，相对改进 2.63%。

Harness 工程里，BrowseComp 的准确率从 45.33 直接拉到 67.67，绝对涨 22.34 个百分点，Codex 涨 4.67，Claude Code 涨 8.00。

Terminal-Bench 2.0 的通过率涨 7.55 个百分点。

数据合成里，Math-Reasoning 的 pass gap 涨 19.79，是 Codex 的近 4 倍。Search-Agent 的 pass gap 涨 13.00。

把六道题的相对增益取平均，Arbor 是 Codex 和 Claude Code 的 2.5 倍以上。同样的 controller、同样的树深度、同样的搜索预算，只换初始材料和评估器，跨任务都能稳定赢，说明增益来自搜索过程本身，不是任务特定调优。

跑到 MLE-Bench Lite 上，Arbor 换 GPT-5.5 当 backbone（骨干模型），Any Medal 拿到 86.36%，Above Median 拿到 95.45%，Gold 拿到 77.27%。

不是靠多砸算力

面对一套成绩好的系统，第一反应通常是想问，是不是 token 砸得多。研究者专门查了成本。

六个完整成本日志里，Arbor 用的是 20.12M 到 43.19M token，跟 Codex 和 Claude Code 是一个量级。在这个预算下，Arbor 在多数任务上拿到更大的留出增益。

预算被用来维护竞争假设、跑隔离执行、对比证据、更新搜索树，不会一味地多采样。这也回应了一个常见质疑，Agent 跑得久不等于跑得好，结构化搜索比单纯延长执行时间更值钱。

消融实验更进一步。在 MLE-Bench Lite 上把树拆掉，退化成扁平实验队列，记作 w/o tree。把洞察回传关掉，保留树结构但不让教训上传，记作 w/o insight feedback。两个变体各跑一遍，同样的工具、同样的工作区预算、同样的评估协议、同样的 Claude Opus 4.6 backbone。

三个变体都是 100% 有效提交。Full Arbor 是 81.82% Any Medal，w/o tree 掉到 63.64%，w/o insight feedback 掉到 54.54%。

一个反直觉的发现是，留着树但关掉洞察回传，比直接把树拆掉还差。空有结构没有语义记忆，等于把实验按文件夹归了类，但没有任何东西能告诉你下一步该往哪走。树和洞察必须搭在一起，一个负责存竞争假设，一个负责把局部失败变成全局约束。

HTR 真正起作用的环节是后期精炼，一旦跑通一个可执行方案，树帮 Agent 决定哪个方向该继续、哪个该回头、哪个该丢掉。

错了也能往前走

光看数字还不够，研究者拆了一棵真实的 BrowseComp 假设树，看 Arbor 在长跑里到底学到了什么。

一开始的假设很粗，认为搜索 Agent 答错是因为抓住了显眼线索但漏掉了细粒度约束。试了 constraint verifier（约束验证器）和 hostile verifier（对抗式验证器），dev 准确率都涨。

到中期发现，验证器只能筛掉已经检索到的候选，找不回压根没出现的答案。任务的瓶颈从更严的验证，转到了更广的证据覆盖。后期试了 persona 多样化和共享分解，发现都没用，因为它们都在同一个检索前沿里折腾。最后合并进主干的设计是，首轮各自独立检索，次轮让 Agent 看候选答案和证据 dossier（卷宗），按覆盖约束数最多的候选作答。

整个过程几个阶段对得上人类做研究的节奏。早段试宽泛机制，中段定位机制边界，后段用累积的正面负面发现约束最终设计。

一个失败节点不会被简单丢弃，它的洞察会沿着路径上推，变成对后续构思的负面约束。团队反复强调的那句话有了落点，把局部失败变成下一轮的起点。

研究者还发现一个有意思的现象，强候选往往出现在搜索状态积累了足够约束之后，跑过中段才冒出来。后期的提案比早期提案更有针对性，因为它们建立在前面试错的基础上。早期实验持续降低后期搜索的随意性，让中后段的改进站在更高的信息基线上。

效率的关键在于同样的预算能不能产出更不重复、更受约束的证据链，跟跑得久不久关系不大。

Figure 7 列了几个跨任务的实际 idea。BrowseComp 上的证据卷宗聚合，Search-Agent 上的实体表面形式剥离防止答案泄露，Math-Reasoning 上的参数化模板按难度族采样，Architecture Design 上把 warmdown schedule（退火计划）长度当成独立旋钮。每个都是局部可执行的小改动，每个都是前面节点排除了更宽方向之后才浮出来的。

团队也承认，Arbor 擅长把已有方向细化再细化，但不擅长从零蹦出一个跟现有树弱关联的全新构想。Architecture Design 跑到最后单旋钮调参收益递减，研究者能看出需要一个更大的算法动作，但这个动作还得靠人给的判断。任务设计里的初始 artifact、评估器、指标和搜索接口，共同决定了 Agent 能发现什么样的 idea。

跨任务迁移方面，研究者把 BrowseComp 上优化过的 harness 冻结，直接拿去测两个从没见过的搜索任务 HLE 和 DeepSearch QA。结果是 HLE 从 25.50 涨到 31.50，DeepSearch QA 从 61.00 涨到 69.00。

一个在 BrowseComp 上优化出来的搜索外壳，搬到完全没见过的任务上还能涨点，说明它学到的是搜索流程层面的设计调整，不是对某个评测集的过拟合。

研究者拿 Gemini-3-Flash、Claude Opus 4.6、GPT-5.5 三个不同骨干重跑代表性任务，controller、评估器预算、任务适配器都不变。

结果 Arbor 在三套骨干模型上都能改进 BrowseComp 和 MLE-Bench Lite。框架本身跟具体模型解耦，只是天花板受任务跟骨干契合度影响。Claude Opus 4.6 在 BrowseComp 上表现最好，因为搜索 harness 优化需要宽推理和错误诊断。GPT-5.5 在 MLE-Bench Lite 上表现最好，因为 ML 工程知识更对胃口。

Arbor 证明，让 Agent 自己做研究的瓶颈，跟怎么把每一次尝试变成下一次的台阶有很大关系。Arbor 用一棵持续生长的树，把假设、artifact、证据、教训都挂上去，错了也能往前走。

Arbor 给自主科研装上了记忆。

参考资料：

https://ruc-nlpir.github.io/Arbor/

https://arxiv.org/pdf/2606.11926

https://github.com/RUC-NLPIR/Arbor