ScienceBuddy、エージェントのHarnessとモデルを交互に改変し、研究でのインタラクションを継続的な訓練データへ

PhAI Labsと共同研究者らは、科学エージェントを一度限りの質疑応答ツールから、研究作業に合わせて継続的に適応できるシステムへと変えることを目指し、ScienceBuddyを発表した。そのワークスペースは、論文、表計算データ、生物学的配列、科学画像を取り込み、計画、ツールの入出力、分析成果物を保存できる。論文で説明されているバージョンは22のモジュールと224のツールを備え、主にゲノミクス、分子生物学、がん生物学、薬理学、画像処理、文献検索を対象としている。

中核となる手法は「再帰の中の再帰（recursion within recursion）」と呼ばれる。内側のループではモデルを固定し、インタラクションと検証結果から新たなPython harnessを生成して、固定された検証セット上で候補バージョンと親バージョンを競わせる。外側のループでは、選択されたharnessを固定し、検証器からの報酬を使ってSkyRL GRPOによりタスクモデルを更新する。新しいモデルは次のharness探索ラウンドに投入されるため、改善されるのは重みだけではなく、モデルが利用できるツール、手順、評価プロセスにも及ぶ。

公開実験ではQwen3.5-4Bを使用し、データを訓練用715件、検証用90件、テスト用90件のタスクに分割して、harness／RLサイクルを3ラウンド実行した。各harnessフェーズは3ステップのみで、各ステップにつき16回のインタラクションと3つの候補を使用し、RLフェーズではGRPOによる更新を30回行った。これにより研究者は、製品デモを見るだけでなく、二重ループ間で状態がどのように引き継がれるかを検証できる。

一方で、制約も重要だ。オープンソースのリポジトリに含まれるのはSimple-SciBuddy、実行エージェント、検証器、訓練インターフェースのみで、ホスト型ワークスペースのフロントエンド、アカウントシステム、完全な製品APIは含まれていない。実験では固定されたデータとシミュレーションによるフィードバックが使われており、実際の研究室で安全に長期間学習できることはまだ実証されていない。未発表データや研究者からのフィードバックを実際に訓練へ取り込む場合、エンジニアリングチームはデータの所有権、データ汚染、ロールバック、評価器のドリフトについても明確にする必要がある。今後は、完全なベンチマーク結果、分野をまたいだ再現性、そして自己改変のたびに監査可能なバージョンが残されるかどうかに注目すべきだ。