arXiv cs.CL· Mengdi Liu, Chenghao Jia, Hong Chang, Mingjie He, Shiguang Shan, Xilin Chen·· 6 天前AI 评分27
JANUS：用协同进化世界模型增强长时程自主研究
JANUS: Enhancing Long-Horizon Autonomous Research with Co-Evolving World Models
AI 导读
JANUS 是一个通过协同进化世界模型驱动的 Predict-Verify-Evolve 循环，统一未来结果预测与过往经验反思的自主研究框架。研究智能体在进化图中提出候选方案，世界模型按价值提升、信息增益和探索效用打分，据此在执行前选择、优化或剪枝分支。在 MLS-Bench-Lite 和真实研究任务上，JANUS 的进化效率与上限均显著优于 SOTA 基线。
正文 · AI 翻译
摘要：长时程自主研究已展现出通过假设生成、实现与验证的持续循环来加速科学发现的潜力。然而，这种“生成-执行-反馈”范式依赖于反应式试错，其中昂贵且耗时的执行会带来严重的反馈延迟，在爆炸式扩张的搜索空间下抑制了进化进展。为应对这一挑战，我们提出 JANUS，一个通过由协同进化世界模型驱动的“预测-验证-进化”循环，将未来结果预测与过往经验反思统一起来的框架。在进化图中，研究智能体提出候选方案，而世界模型通过预测价值提升、信息增益和探索效用对其进行评分，并据此在执行前选择、精炼或剪枝分支。在收到真实反馈后，JANUS 将经验提炼为不断进化的技能：研究智能体的分层技能、世界模型的探索策略技能，以及它们的协调协议。这一机制实现了持续的协同进化：研究智能体不断锐化候选生成能力，而世界模型则在更长的时间跨度上精炼其预测判断。在 MLS-Bench-Lite 和真实研究任务上的大量评估表明，JANUS 显著优于最先进的基线，在进化效率和上限两方面均取得更高表现。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.13194 [cs.AI] |
| （或 arXiv:2610.13194v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13194 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chenghao Jia [查看邮箱]
[v1]
2026年10月9日星期五 08:13:28 UTC（5,389 KB）
来源：arXiv cs.CL · arxiv.org