OmniScientist 讓多模態證據貫穿研究流程，直接感知版本在配對評審中勝出 85%

現有「AI 科學家」多能搜尋文獻、編寫實驗程式及產生論文，卻常只接觸文字說明、標籤或預先計算的統計量。OmniScientist 把原始影像、波形、頻譜、音訊、影片、3D 結構、軌跡、表格、公式與圖資料接入整個研究生命週期，避免人類事先選定的特徵把空間、時間或跨通道關係刪掉。

系統由感知層及構思、實驗、寫作三個自治代理組成，外圍則是確定性流程。每一階段必須通過以程式執行的檢查，包括新穎性與可證偽性、資料洩漏、有效樣本數、多重比較、執行來源、數字追溯及防止先看結果再改假說；實驗失敗或得到空結果時，流程可以退回構思階段。新增學科主要透過規格檔描述資料與輸出，不需重寫核心引擎。

論文報告 36 個真實資料案例，橫跨五類學科與四類證據，全部由原始資料走到可編譯稿件。使用參考推理模型時，七維評分的平均綜合分數為 6.3／10；與只能讀取預算 scalar features 的盲化版本配對比較，直接感知版本改善全部七個維度，並在 85% 判斷中勝出。公開頁面亦提供三次執行的重播、程式紀錄及產出稿件，讓讀者檢查代理如何從證據形成主張。

不過，這些分數主要仍由模型評審產生，完成論文不等於得到經同行審查的新發現。論文寫 36 個案例，專案首頁卻標示 34 個；首頁宣稱程式已公開，但撰稿時其 GitHub 連結回傳 404。這些版本與可重現性問題應先解決，之後才適合比較成本、錯誤回滾能力及真正的跨實驗室泛化。