论文链接：arxiv.org/abs/2608.13558 代码仓库：github.com/Omni-Scientist/OmniScientist 项目主页：omni-scientist.github.io 发表时间：2026 年 8 月（arXiv v1: 2026-08-13） 发表机构：新加坡国立大学+ 牛津大学（University of Oxford） 作者与通讯：Bobo Li（NUS）、Hao Fei（牛津，通讯作者 / Project Lead）、Tianjie Ju、Mong-Li Lee、Wynne Hsu 领域标签：cs.AI（AI Scientist / 多模态 Agent / 自主科研）
一、论文背景
1.1 AI 科学家：从"专用工具"到"全流程自动化"的十年演进
自动化科学研究走过了两个阶段。第一阶段是任务专用系统：AlphaFold 预测蛋白质结构、自动化实验室执行固定合成流程（Boiko et al., 2023; Szymanski et al., 2023），它们在单一任务上达到专家水平，但任务边界是人划定的。第二阶段是 agent 协调全流程：随着基础模型在推理、代码生成、工具使用上的能力跃升（OpenAI、Anthropic、DeepSeek 系列模型），系统开始自主完成"提出假设→写代码→跑实验→画图→写论文→自我评审"的完整闭环——Sakana 的 AI Scientist 从 2024 年的开山之作走到 2026 年登上 Nature（Lu et al., 2026, “Towards end-to-end automation of AI research”），其后 AI Scientist-v2（Yamada et al., 2025）、Agent Laboratory、AIDE、AI-Researcher、InternAgent、Intology 等系统相继涌现。从外部看，AI 科学家系统的"工作流覆盖率"已经近乎完整。
但这篇论文开篇就点破了一个尴尬的事实：工作流覆盖完整，不等于能接触到科学发现所依赖的完整证据。
1.2 核心诊断：workflow-complete 但 evidence-incomplete
现有 AI 科学家系统几乎都在推理文本、代码、标签或预计算摘要——而不是原始科学证据本身。论文用一句话概括这个问题：agent 在研究开始之前，就继承了一个人为选择好的数据表示。
打个比方：这就像一位记者只读新闻通稿的摘要，却从不看原始录像。他能写出一篇结构完整的稿子，但摘要里没写的细节——画面角落里的异常、时间线上的矛盾——他永远发现不了。不是他能力不够，而是接口决定了他能注意到什么。
科学证据到达研究者手中时，内部结构截然不同。文本、公式、序列、知识图谱编码的是符号关系；而显微镜图像、光谱、波形、音频、视频、3D 结构、轨迹携带的是空间、时序、跨通道、统计、程序性关系。这些工件都可以被序列化成 token 或通过代码访问——关键问题不是"什么能被序列化"，而是"哪些关系能在接口处存活"：
- caption（图像描述）会漏掉局部形态：一张病理切片的文字摘要写得出"组织异型"，写不出核密度在单个切片内的空间渐变；
- 无序特征向量会抹掉时序：把一条地震波降维成一串无序标量，震相的先后到达顺序、起包络-衰减包络结构就没了；
- 少量标量会隐藏跨通道不一致：三分量地震记录被压成几个统计量后，Z/N/E 三通道之间的偏振与时间重合关系无从检验。
于是现有系统越来越 workflow-complete，却始终 evidence-incomplete——决定科学发现的空间、时序、跨通道、程序性关系，在数据进入 agent 的那一刻就丢失了。
1.3 更广的观察空间，需要更硬的约束
一个自然的反问是：让 agent 直接"看"原始数据不就行了？论文指出事情没这么简单。观察与搜索空间的扩大，同时放大了四类科研诚信风险：数据泄漏（leakage）、重复检验（multiple testing）、事后假设（HARKing——hypothesising after results are known）、无依据报告。一个能自由翻看原始数据的 agent，也更有机会"看到答案再编问题"。因此全生命周期感知必须配套一套控制结构：溯源（provenance）+ 统计有效性 + 事实约束，而且这套约束必须比 agent 本身更可靠——这正是 OmniScientist 设计的出发点。
二、论文定位和关联工作
2.1 三条研究脉络中的空位
脉络一：端到端 AI Scientist 系统。 从 AI Scientist（Lu et al.，2026 年 Nature）到 Agent Laboratory（Schmidgall et al., 2025）、AI Scientist-v2、AIDE、AI-Researcher、InternAgent、Intology Zochi，再到 Google 的 Co-Scientist（Gottweis et al., 2026, Nature）和 Virtual Lab（Swanson et al., 2025, Nature），这一波系统的共同范式是：在软件仓库或文献语料上自动化完整研究生命周期，以数值指标提升为成功标准。共同局限：agent 只能处理"人已经变成文本、代码或数字"的东西，从不接触原始证据本身。
脉络二：科学多模态基准。 CharXiv、SciFIBench、SPIQA、MMSci、Scientists’ First Exam 等基准测量模型对已发表图表的问答能力，MicroVQA 甚至评分假设生成——但观察是人选的、问题是人定的、判分标准是人写的。感知在其中是一种"独立的问答技能"，而非研究环节。
脉络三：局部分段使用感知的 agent。 AI Scientist-v2 用视觉检查自己生成的图表、Gandhi 等人用 VLM 给生成的图打分、ScienceBoard 读软件界面、ORGANA 实验中途看仪器、Mandal 等人按固定阈值驱动显微镜。少数系统（Yao et al., 2025; Zhao et al., 2026）让观察参与主张形成，但感知在研究过程中仍是局部、碎片化的角色。
2.2 OmniScientist 的定位：首个全生命周期感知驱动的 AI 科学家
| 维度 | 端到端 AI Scientist（Sakana 系等） | 科学多模态基准 | 局部感知 agent | OmniScientist |
|---|---|---|---|---|
| 数据入口 | 文本/代码/标签/预计算摘要 | 人选的固定观察 | 原始数据（单一模态居多） | 原始异构证据，全模态 |
| 感知时机 | 无或末端 | 独立问答任务 | 单一阶段（查图/看仪器） | 全程（选问题→设计→检验→成稿） |
| 问题来源 | 人定研究方向 | 人定问题 | 部分观察驱动 | 观察可重塑研究问题 |
| 学科范围 | ML/软件为主 | 多学科但固定 | 单域 | 5 学科族 × 4 证据族，引擎零改动 |
| 完整性控制 | 模型自评为主 | 无 | 局部 | idea/rigour/claim 三重代码化检查 |
关键区别一句话：已有系统让观察服务于某个决策，OmniScientist 让观察能改写整个研究问题——观察是"重规划"级别的输入，不是"质检"级别的输入。
三、问题定义
3.1 抽象本质：哪些关系能在数据接口处存活
把各类 AI 科学家系统抽象到极致，它们共享同一个结构：原始世界 → 数据接口（表示层）→ 推理引擎。所有系统真正差异化的变量是中间那一层——接口让哪些关系存活，agent 的认知边界就画在哪里。论文的贡献可以概括为对这个抽象问题的回答：科学发现依赖的哪些关系，能在数据接口处存活？ 答案决定了系统能提出什么问题、能设计什么实验、能支撑什么主张。
3.2 任务形式化定义
一个任务由一份规格文件完整定义，包含四个要素：
- 数据集（dataset）：一份真实、可公开下载的数据（每个案例都有规范引用）；
- 科学主题（subject）：数据描述的对象，例如"60 秒三分量宽频带地震记录，100 Hz 采样"；
- 目标属性（target property）：每条记录测量的性质，例如"三个正交分量上的地动幅度随时间的变化"；
- 原始工件（raw artifacts）：成员文件路径与数据集自带的元数据（标签、站点、震级等）。
系统被要求产出一篇证据接地的论文——除此之外什么都不给：具体方法完全由 agent 自行决定。规格文件不包含任何方法、假设或分析；引擎读不到任何领域特判代码。新增一个学科 = 写一份新的规格文件，核心管线一行不改。
论文还建立了学科无关的证据分类学（这是本文的一个基础性贡献）：把科学证据按"解释它需要的主要推理范式"分为 4 族——
| 证据族 | 典型工件 | 携带但易在接口丢失的关系 |
|---|---|---|
| 感知族 | 图像、视频、显微图、光谱、波形、音频、3D 结构 | 局部空间形态、时序结构、跨通道一致性 |
| 符号族 | 文档、公式、序列、知识图谱 | 逻辑与因果结构、组合关系 |
| 定量统计族 | 表格、测量值、分布、回归结果 | 分布形态、变量间统计依赖 |
| 程序族 | 实验步骤、代码执行、agent 轨迹、仿真 | 过程顺序、动态演化 |
3.3 为什么"更广观察空间"必须配套控制结构
如果只是把原始数据暴露给 agent，四类风险立即放大：泄漏（用测试标签做决策）、重复检验（跑一百个检验挑最显著的）、HARKing（看到结果再编假设）、无依据报告（写出执行记录里不存在的数字）。论文的任务定义因此内在地要求：观察空间的扩大，必须与代码级强制的溯源、统计与事实约束同时到位——这不是工程细节，而是问题定义的一部分。
四、问题解法
4.1 总体架构：开放推理 + 确定性外环
OmniScientist = 一个感知层 + 三个自主 agent（ideation 构思 / experiment 实验 / writeup 写作），外面套一层薄薄的确定性管线。设计哲学一句话：阶段内推理开放（open-ended），阶段间转移确定（predictable）。 与依赖 prompt 和生成消息做阶段衔接的系统不同，这里的阶段转移、验证与回退全部由代码控制——实验崩溃或结果为零时自动回到 ideation 重来，阶段输出必须通过代码化检查才能放行。
研究生命周期为五步循环：Perceive（感知）→ Hypothesis（假设）→ Experiment（实验）→ Report（成稿）→ Feedback（反馈）。感知工具（空间/时序/跨通道/统计/动态分析）以虚线方式对全部三个阶段可用——这就是"全生命周期感知"的工程含义。
4.2 感知层：原生数字优先，视觉渲染按需
感知层按"证据族 → 模态"两级组织观察。两条设计原则值得注意：
- 模态不被强制转成图像。每种模态同时暴露"原生读取器"（返回该模态自身语义的数字：信号的 FFT 峰值与趋势、音频的谱质心与过零率、3D 的 PCA 主轴、轨迹的转角分布）与"视觉读取器"（渲染后由 VLM 察看）。36 次主运行共发起 337 次感知调用，其中 173 次走视觉通道——视觉被实质性使用，而非装饰性使用。
- 视觉感知有预算约束。优先做原生数值分析，只有空间/结构模式必要时才渲染图像，防止无差别处理并强制"有针对性的察看"。
4.3 三个 agent 阶段
Ideation（构思）：ReAct 循环驱动。流程：盘点材料并决定是否查看原始观察 → 通过 OpenAlex（Crossref 兜底）检索文献建立已知版图 → 从材料实际内容出发产生至少 5 个候选想法、逐个评估新颖性风险与可行性 → 选出最强候选。输出必须包含：研究问题、假设、实验草案、证伪准则、最小可发表主张、新颖性证据、声明边界（数据不能证明什么）。
Experiment（实验）：把定稿想法翻译成方法设计，在受控 run_python 环境（子进程管理 + 图像捕获 + 150 秒超时）中迭代式生成代码、读错误、再生成。必须组织至少 4 项分析的完整电池：主检验 + 基线 + 消融 + 机制探针/敏感性扫描，每项分析都要存图。感知层在此阶段既检查原始输入，也验证自己生成图表中的结构模式。
Writeup（成稿）：携带 5 种文体结构规格（ML 论文有 Related Work 和 Limitations、生物医学论文 Methods 放最后、化学论文合并 Results 与 Discussion……），按学科惯例成稿。每节只从分配给它的执行记录切片展开——方法细节进不了结果节，摘要最后写、数字与正文一致。
4.4 三重代码化检查：不是模型自评，是 Python 谓词
这是全文最硬核的部分。每个阶段出口是一个代码谓词：接收阶段定稿载荷与累计循环状态，返回接受或拒绝原因；拒绝原因作为新观察追加进对话，agent 继续工作，直到谓词接受或步数预算耗尽。
| 检查 | 时机 | 核心条件（节选） |
|---|---|---|
| Idea check | ideation 出口 | 结构完备（问题/假设/实验草案/证伪准则非空）；≥5 个自筛候选；≥3 次聚焦文献检索（其一针对选定想法）；纯计算可行（需物理实验的直接拒绝）；有效样本量估计；泄漏声明；看过原始数据必须留视觉审计记录；绝对化新颖性措辞（“first”/“unstudied”）被拒绝，只能写"基于本次检索，似属欠探索" |
| Rigour check | experiment 出口 | 真实执行（≥1 次 exit 0 的 run_python 且产出真实输出）；带感知预算的案例必须至少看过一次原始证据；每个报告数字必须出现在真实 stdout 中；必须从磁盘加载真实数据；≥2 个 p 值就必须报告全部检验数并按该数校正——被降级的分析也计入校正分母，降级不能缩小分母；headline 必须来自支持的分析且排第一；主分析全不显著则 verdict 必须诚实为 null/mixed |
| Claim check | writeup（作用于文本本身） | 文稿中每个数字与执行记录的落地集合匹配；润色环节若改动任何数字/引用/主张/模型名则整体回滚；过度主张在输出层确定性移除；必须编译通过（四级兜底：修复→润色前稿→无引用构建→无皮肤基模板） |
两个设计细节极见功力。其一，headline 选择规则就是反 HARKing 规则：lead 必须通过多重比较校正、有明显效应量、且不是"多次嘈杂尝试中最好的一个"，三者缺一就只能报 mixed/null。其二，溯源是数学保证而非叙事约束——它不直接改写评审员读到的叙事文本，而是在代码层保证每个经验主张可追溯到真实程序输出。
4.5 预算控制与成本
| 资源 | 上限 |
|---|---|
| Ideation 步数 / 文献查询 | ≤24 步 / ≤8 次 |
| Ideation 视觉感知 | min(24, max(8, 2g)) 次（g 为标签组数） |
| Experiment 步数 / 视觉感知 | ≤50 步 / ≤8 次 |
| 单次 python 执行 | 150 秒超时 |
| 回退 ideation 次数 | ≤2 次 |
| 单次生成 | 8000 token |
单次完整三阶段运行成本 $0.03–$4.34（随骨干模型而异；实验阶段占大头）。按骨干分：Sonnet 5 每篇 $2.63/29 分钟，GPT-5.6 每篇 $4.34/12 分钟，本地 Qwen3.5-27B 每篇 $0.06，Gemma-4-31B 每篇 $0.03——一篇可编译、可溯源的"论文"最便宜只要 3 美分。
4.6 归因分离：为什么感知模型要钉死
评测时系统有三个角色跑在不同模型上：推理骨干（驱动全部三阶段，唯一被替换的部件）、感知模型（每次运行都钉死为 Claude Sonnet 5，绝不跟随骨干）、裁判（2 个与被测系统不同族的 judge）。感知钉死的意义：每一次"看原始观察"都由同一个模型服务，于是分数变化可完全归因于推理本身——这是多组件系统评测中罕见的归因分离设计。
五、评估指标与实验证据
5.1 评测矩阵：36 案例 × 5 学科族 × 4 证据族
| 学科族 | 案例数 | 代表数据集（模态） |
|---|---|---|
| 物理科学 | 5 | NFFA-EUROPE 纳米电镜（图像）、RRUFF 拉曼（光谱）、UCI 超导（表格）、PubChem（图像）、Feynman 符号回归（公式） |
| 地球与空间 | 9 | EuroSAT 遥感、Galaxy Zoo 星系形态、GWOSC 引力波（信号）、STEAD 地震（信号）、SEVIR 风暴雷达（视频）、IBTrACS 气旋轨迹 |
| 生命与医学 | 7 | Kather CRC 病理（图像）、胸片（图像）、MedMNIST CT（3D）、CinC 心音（音频）、Sleep-EDF、Cell Tracking（视频）、DNA 序列 |
| 农业与生态 | 8 | PlantVillage（图像）、Indian Pines 高光谱、鸟类音频检测、Watkins 海洋哺乳动物声库、Pheno4D 植物点云（3D）、白鹳 GPS 轨迹 |
| 工程与信息 | 7 | MCB 机械零件（3D）、SemanticKITTI 点云、comma2k19 驾驶（轨迹）、MIMII 工业声学、NGSIM 交通、PDEBench（场）、ogbl-biokg 知识图谱（500 万边） |
感知族占 28 例，其余 8 例来自符号/定量/程序族，作为"视觉检查贡献小、纯文本基线本应表现好"的广度对照。Claude Sonnet 5 作为参考骨干在全部 36 例完成"原始数据→编译 PDF"全流程，7 维综合均分 6.3/10。
5.2 七维评分体系与偏差控制
裁判为 2 个跨族 judge（deepseek-v4-flash 与 gemini-2.5-flash-lite），从 7 个维度按 0–10 打分：5 个标准评审维度（新颖性、严谨性、清晰性、显著性、可复现性）+ 2 个任务特有维度（多模态接地——论文是否真正使用并解释了原始观察，还是只对标量做统计；事实准确性——每个标题数字是否都能追溯到作者结果台账）。裁判自身先被验证再被信任：judge 间一致性 Krippendorff α=0.66（目标 >0.6）、自偏好偏差 0、分数与稿件长度相关性 ρ=0.16——评测对"写得长"基本免疫。
5.3 骨干泛化：9 个推理引擎横评
| 骨干 | 派发案例 | 完成论文 | 综合均分 |
|---|---|---|---|
| GLM-5.2（智谱） | 18 | 17 | 6.7 |
| Kimi K2.7 | 9 | 6 | 6.5 |
| Claude Sonnet 5 | 36 | 36 | 6.3 |
| GPT-5.6 | 10 | 9 | 5.7 |
| Qwen3.5-122B | 34 | 30 | 5.4 |
| Qwen3.5-27B | 36 | 32 | 5.3 |
| Gemma-4-31B | 36 | 32 | 5.0 |
| Gemma-4-26B | 34 | 25 | 4.3 |
| Qwen3.5-9B | 32 | 18 | 4.1 |
三个横评结论：其一，强骨干（GLM、Kimi、Sonnet）落在相似性能带，框架对骨干不挑食；其二，分学科/分模态的中位综合分稳定在 6.1–7.1，交叉域差异在案例级置换检验下无一显著——引擎的领域无关性成立；其三，事实准确性在所有推理引擎中排第一（维度排序的跨模型一致性 Spearman 中位 0.82）——这与共享的溯源约束直接对应：无论模型流畅度如何，每个报告结果都被钉在真实程序输出上。另一处耐人寻味的细节：骨干从 9B 换到 Sonnet 5，事实准确性与严谨性的得分差为 2.9 分，而多模态接地只差 1.2 分——更强的推理骨干并不会自动带来更强的感知能力，这反向印证了感知作为独立组件的必要性。
5.4 关键对照：感知 vs 盲（预计算标量特征）
这是全文证明力最强的一组实验。设计：盲变体只接收预计算标量特征，从不接触原始观察（模拟传统纯文本系统的接口），其余一切（骨干、任务、检查）与完整系统相同。在 5 个案例上做配对盲评：两篇稿子随机顺序呈给跨族裁判组——随机化消除位置偏差，同任务配对消除任务难度差异。
结果三层：
- 感知版在全部 7 个维度占优，直接胜率 85%（按案例平均）；
- 维度增益分解：多模态接地 +2.8（最大）、显著性 +1.8，而事实准确性两条件等同；
- 平局分布精准对应设计：多模态接地、显著性、新颖性的平局率接近零（两稿在这些维度始终可区分）；事实准确性与可复现性约四分之一平局——因为两条件共享同一套溯源检验，都只能报告可追溯到真实执行的数字。
为什么五案例配对盲评比大表评分更有证明力？ 大表评分回答"系统好不好"，但它混淆了任务难度、裁判宽严、骨干差异。配对盲评控制了全部这些变量——同一数据、同一骨干、同一检查、同一裁判、随机顺序——唯一残差就是"是否感知原始数据"。85% 的胜率因此是感知这一个变量的净效应。这是小样本换取高内效度的经典权衡，论文选择正确。
5.5 留一消融：什么部件在撑质量
在地震学案例上逐个移除部件（骨干固定）：
| 配置 | 综合分 | novelty 分 |
|---|---|---|
| 完整系统 | 6.9 | 7.3 |
| 去先行文献检索 | 5.7（最大跌幅） | — |
| 去 novelty 检查 | — | 6.3（整整降 1 分） |
| agent 循环退化为单次 | 显著降质 | — |
先行检索是质量最大支柱：去掉后系统容易提出重复或已发表的想法。novelty 检查精准命中自己的靶：移除它，新颖性分数恰好掉 1 分，其余维度不动。溯源强制的角色独特：它是代码级确定性约束，不直接改变被评分的叙事文本，作用是数学保证每个经验主张可追溯——所以在消融里它不动综合分，却托底所有骨干的事实准确性第一。
5.6 系统自身的诚实度记录
36 次主运行的内部统计，最能说明这套检查不是摆设：三重检查共拒绝 115 次定稿尝试，36 个运行里只有 4 个"一次通过"两头出口；被拒原因中三分之二是结果选择问题——agent 跑了一大套分析，某项不显著，草稿仍想把它当发现（26 个运行触发降级条件）；纯粹的数字伪造只有 1 次（说明模型报告的数字通常确实拷贝自真实 stdout）。最终自我判定：16 例支持（44%）、17 例混合（47%）、2 例证伪（6%）、1 例无判定——“诚实的否定结果"被当作合法出口。全部 265 项分析中 67 项（约五分之一）被执行、发现不足、然后故意挡在论文之外。
5.7 两个案例研究
案例一：审计地震学基准（STEAD）。 系统拿到约 1500 条三分量宽频带地震记录（地震/噪声标签各半）。视觉处理原始波形时，agent 在一条明确标注为"噪声"的记录里发现了清晰的"起包络-衰减"瞬态——噪声里本不该有事件。它没有推翻标签，而是把这个冲突本身变成研究问题：噪声标注的记录中到底有多大比例携带相干瞬态能量？ 它自主构造了 STA/LTA 特征函数 + 幅度 + 线性度 + 平面度 + 跨通道时间重合项的复合检测器，以三种与标签无关的替代零分布的第 99 百分位定阈值，得出 21.7%（163/750）的"噪声"记录携带相干、偏振、跨分量瞬态爆发，95% 置信区间 [18.8, 24.9]%。自主消融显示去掉跨通道重合项后检出率塌缩到 2.0%（幅度-only 基线）——把"时间重合"锁定为机制；估计在 50 倍范围的误报率、3 种零模型、4 种窗口、417 个台站的聚类 bootstrap 下稳定在 19–25%。当数据证伪了预注册的仪器类型假设时，系统把流行率发现作为 headline，把仪器问题降级为边界结果。
案例二：儿科胸片的纹理签名。 只有正常/肺炎标签的胸片，无任何预计算特征。系统直接读片观察到：肺炎肺野不是均匀变亮，而是斑驳状——致密影与清晰区并存。它把这个观察转化为可测量量（滑窗局部 Shannon 熵图的空间离散度），预注册假设"斑块度独立于整体熵水平区分两标签”，得到 Cohen’s d > 1.2（开发/留出分割稳定），多变量模型中斑块度对平均熵有显著协同增益，留出集 AUC 0.851（对照：纯平均熵 0.840、纯原始像素 0.634），且通过全部 Bonferroni 校正。论文评论一针见血：要形成"空间异质性"这个概念，必须先与影像的内在属性发生直接的视觉接触——这一归纳步骤对纯文本统计挖掘完全不可达。
六、效果优势的根源解释
6.1 完整因果链：为什么感知赢在"问题"而不是"文笔"
把 5.4–5.5 的证据串起来，优势的因果链是：
预计算特征在接口处丢掉原始记录的独有属性 → 盲系统的假设空间被标量特征名束缚 → 感知驱动系统的问题锚定在原始观测独有的属性上 → 两套系统走出完全不同的研究轨迹 → 感知版产出的论文在接地与显著性上大幅领先。
机制分析（Table 7）逐案验证了中间环节：每个感知驱动 run 的研究问题都锚定在原始记录独有的属性上——星系图像的形态、三分量波形的极化、病理切片的纹理、CAD 点云的主轴几何、植物重复扫描的逐点器官标签；而盲变体无一例外只能围绕标量特征做文章（“3 个类别能否被 8 条给定特征轴分开？““去掉尺寸轴后物种是否仍可在形状描述子上分开？"）。最刺眼的是地震学案例：盲系统仅凭文本特征名设计了一个需要录音中并不存在的数据字段的研究，被迫反复被动重规划；感知版从第一步就形成可行、立即可执行的假设。 论文的表述很克制但结论很重：两者"提出并执行了完全不同的研究轨迹”——这不是写作风格差异，是科学内容差异。
6.2 显著性 +1.8 的机制：感知扩大"主张可支撑的范围”
为什么"看原始数据"能让论文更显著？因为主张的上限由证据的形态决定。原始记录携带的结构性线索（斑驳的肺野、噪声里的起包络、点云的主轴方向）允许系统提出并支撑结构性主张——这类主张天然更有信息量、更接近机制；而标量特征只能支撑关联性主张（A 类和 B 类在某特征轴上是否可分）。感知没有让系统"夸大”，它让系统够得着更大的主张，然后由同一套统计检验确认这些主张成立。
6.3 事实准确性等同的机制：约束在代码层，不在感知层
两条件事实准确性等同，表面看是"感知没带来事实提升"，实际上是全文最重要的设计证词：严谨性不靠感知提供，也不因感知扩展而牺牲——因为约束在代码层。两条件共享同一套溯源检验：每个报告数字必须出现在真实 run_python 的 stdout 中，headline 必须来自通过校正的分析。感知扩展的是"能发现什么"，代码约束兜底的是"能声称什么"——探索的自由度与报告的纪律性被解耦到不同层，这正是第 1.3 节风险论证的闭环。
6.4 一句话总结根源
接口决定假设空间的形状；约束决定主张空间的下限。OmniScientist 的胜利 = 前者的扩张 × 后者的不放松。
七、必要知识反推
若要在自己的工作中复现或借鉴这套系统，需要储备的知识可分三层：
7.1 领域层
- 跨学科科学方法论：什么是可证伪的假设、什么构成最小可发表主张、预注册与 HARKing 的边界、效应量与显著性检验的关系——这些评审常识是设计三重检查的前提；
- 多模态数据类型学：论文的 4 证据族分类（感知/符号/定量统计/程序）本身就是可复用的思维框架——拿到任何数据先问"它属于哪族、哪模态、原生语义是什么"。
7.2 方法论层
- ReAct 式 agent 循环：观察-推理-行动交错，以及"出口谓词 + 拒绝原因回注对话"的门控设计（Algorithm 2）；
- 文献检索 API 工程化：OpenAlex 为主、Crossref 兜底的先行检索，以及"绝对化措辞降级为’似属欠探索’“的语言约束；
- 统计有效性工具箱：多重比较校正（Bonferroni/FDR）、被降级分析计入校正分母、组不相交切分防泄漏、替代零分布定阈值；
- Provenance 溯源系统：以执行记录（stdout/图/配置/全部尝试的检验清单）为唯一事实源，数字级回滚润色环节。
7.3 工程层
- 沙箱化 python 执行：子进程管理、150 秒超时、图像捕获；
- LaTeX 编译管线与四级编译兜底（修复→润色前稿→无引用构建→基模板）；
- 多 judge 评测设计：跨族 judge、judge 自身先验证（一致性 α、自偏好、长度偏差）、配对随机顺序盲评；
- 预算控制：步数/查询/感知/回退/token 五重上限——自主性与成本之间用硬顶棚隔离。
7.4 融合节点
这篇论文真正的原创力不在任何单点技术（ReAct、VLM、LaTeX 都是现成的），而在两个融合洞察：其一，“接口即认知边界”——把表示学习的老问题移植到 agent 系统架构层面，指出数据入口的选择先于并约束一切下游推理；其二，确定性约束与自主探索的分层——阶段内完全自由、阶段间代码把关，用"自由探索 × 硬约束"替代"用更强的模型自我规训”。这两个洞察的乘积，才是它区别于所有前作的护城河。
八、通用性灵感
即使不做 AI 科学家系统，这篇论文也至少给出五条可迁移的原则：
灵感一：接口决定认知边界。 表示形式约束能发现什么——caption 漏形态、向量抹时序、标量藏不一致。推广到任何"人看数据"的场合：数据分析工具的默认视图、BI 系统的仪表盘、监控平台的摘要指标，本质上都是接口，都在悄悄划定使用者的假设空间。升级接口 = 升级发现的上限；反过来，当你的分析团队"总是提不出新问题"时，先检查他们看到的是原始数据还是三层加工后的报表。
灵感二：感知扩展必须配套硬约束。 更广的观察空间同时放大泄漏、重复检验、HARKing、无依据报告的风险——论文的解法是把约束下沉到代码层（每个数字可溯源、每次检验计入校正、绝对化主张被机械降级）。推广：AI 科研系统、自动化调查记者、自动化尽调报告——任何"自主探索 + 对外主张"的系统都该问一句：我的溯源约束在模型里还是在代码里？ 在模型里的约束，会随下一个更会说话的模型失效。
灵感三：归因分离的评测设计。 感知模型钉死、只换推理骨干，于是分数变化可完全归因于推理；反过来也能钉死推理、只换感知。推广到任何多组件系统评测：当你想证明某个组件的价值时，先把其他所有组件冻住——否则你的消融实验测的是"组件组合"而不是组件本身。
灵感四：配对盲评优于孤立打分。 同任务、同骨干、同检查、同裁判、随机顺序——把一切变量钉死后，85% 胜率就是感知变量的净效应。5 个配对样本的说服力超过 36 个孤立评分。推广：论文评审（同一数据集上两方法对盲）、产品 A/B 测试（同用户配对而非跨组比较）、模型评测（配对偏好比较的方差远小于绝对打分）。
灵感五：“先行检索"是质量的最大支柱。 消融显示去掉先行文献检索跌幅最大（6.9→5.7），因为它防的是最昂贵的失败——花全部预算做出一个已有人做过的东西。推广到任何创新系统：idea 入口处的查重环节（专利检索、文献检索、竞品扫描）值得配置最好的检索能力与最硬的卡点，因为它保护的是整条管线的沉没成本。查重不是流程仪式，是质量地基。
结语
OmniScientist 用 36 个跨学科案例证明了一件事：AI 科学家与原始证据之间的那层接口，本身就是研究能力的组成部分。当感知贯穿研究全生命周期——问题可以从观察里长出来，实验可以围着原始记录设计，主张被代码级溯源兜底——同一个推理骨干能写出显著性高 1.8 分的论文。而它最克制的部分恰恰最值得学习：扩张探索自由度的同时，把纪律性放进确定性代码里。更自由的眼睛，配更硬的尺子——这大概是通往"广泛可用的 AI 科学家"最务实的一条路。