DiscoveryRSI 是什麼？6.3% 假說命中率怎麼讀，AI 科學發現的方法與限制

DiscoveryRSI 的論文在 2026 年 10 月 16 日上傳 arXiv。

原作者 Ling Yang 在台灣時間 10 月 19 日上午的 X 貼文寫道：DiscoveryRSI-27B 提出的假說有 6.3% 與後來發表的研究相符，GPT-6 是 2.5%，Claude Opus 5 是 2.3%。

這組數字很容易被讀錯。百分比看起來像準確率，有人會以為模型提出的假說有 6.3% 是對的，也有人看到 6.3 對 2.5，直接聯想成領先兩倍多。

實際上，論文衡量的是「假說版本中，有多少比例在模型截止日期之後的論文裡，找得到可對應的實驗設計、對照組、量測方式或待補的證據缺口」。所以它衡量的是和文獻的連結，不是假說為真的機率。

這項研究值得讀，是因為它想回答一個更難的問題：AI 研究助理提出的假說，怎麼判斷有沒有價值。論文先定義什麼是有價值且可檢驗的假說，再讓開放的 27B 模型靠自己的研究過程資料，一輪一輪學著做得更好。

我的判斷是，它適合做科學代理、研究流程或評測方法的人細讀，因為程式碼、模型與評測框架都已公開。不適合把 6.3% 當成「AI 已能做科學發現」的證據，也不適合把輸出直接用在醫療決策。

這個判斷建立在方法上，所以得先弄清楚 DiscoveryRSI 這個名字背後的做法。

DiscoveryRSI 是什麼？一套讓模型學習提出可檢驗假說的框架

DiscoveryRSI 是 Gen-Verse 在 GitHub 公開的研究框架，由多代理研究流程、27B 開放模型與評測基準三部分組成。

名稱裡的 RSI 是遞迴自我改進的縮寫，意思是系統把上一輪的研究經驗，拿來改進下一輪的做法。DiscoveryRSI 把這個概念放在科學假說上，焦點在生命科學。

論文先給了一個操作型定義。一個研究假說包含四個部分：有證據支持的主張、可行的調查計畫、事先講好如何解讀結果的判斷標準，以及其他可能的解釋。

在這個定義下，假說是否「有價值」，看的是解開它能不能實質增加理解，或改變研究決策。是否「可檢驗」，則看計畫在限制條件下做不做得到，結果能否支持、削弱或界定主張。論文強調，這評估的是研究機會，不是主張本身為真。

公開資源相當齊全。論文在 arXiv 編號 2610.23839，GitHub 倉庫是 Gen-Verse 的 DiscoveryRSI。

Hugging Face 上有 DiscoveryRSI-27B 模型與假說任務範例資料集，另有名為 DFM-Bench 的評測基準。

倉庫的專案程式碼採 Apache-2.0 授權，模型卡也標示 Apache-2.0，基底模型為 Qwen3.8-27B，釋出的是第二輪、第 150 步的檢查點。

這些資源定位在研究用途，所以 README 明說它不是醫療器材，也不內含病患資料、英國生物銀行資料、私人紀錄或實驗室設備，使用者要自備有權使用的資料。

資源公開之後，更值得追問的是它怎麼運作，因為只有理解流程，才看得出 6.3% 是從哪裡來的。

DiscoveryRSI 怎麼運作？假說樹、Harbor 任務與三種遞迴學習

DiscoveryRSI 的核心是讓多個代理一起長出假說樹，再把好的研究計畫編成可執行的任務，從結果中學習。

每一輪研究由幾個角色分工，所以假說不是由單一模型一次寫完。主導者負責選方向與操作，生成與演化角色提出新假說或修改舊假說，批評角色以盲評比較優劣，進度角色判斷修改是否真有實質進展。

假說會形成一棵有版本與親代關係的樹，因此每次修改都能追溯到來源。操作包含演化、修復、交叉組合與科學式重啟，其中重啟是放棄舊方向、從新的問題重新出發。

被選中的調查計畫，會被編譯成 Harbor 任務。每個任務有輸入、執行環境、必要輸出與驗證檢查，拿不到的資料或需要實體實驗的部分，則被明確記成相依條件，所以系統不會假裝已經完成。

學習靠假說信用最佳化、流程回放與重新探索接力完成。

假說信用最佳化負責打分與分配功勞。它用類似棋賽排名的配對比較替假說打分，再把功勞分給實際貢獻的步驟，因此貢獻大的步驟，會在模型的監督式學習中得到較高的權重。

流程回放則在模型權重固定不動時進行。系統回頭檢查常見的失敗，例如重複探索、工具用錯、遺失成果與過早結束，然後提出流程修改，但必須在對照評估中表現較好才會被採用。

重新探索負責把成果送進下一輪。已被接受的模型與流程更新，會拿去處理新的研究問題，所以每一輪都會產生新的經驗，再進入下一輪學習。

訓練規模在論文中有交代。系統收集了 15,792 條研究軌跡，篩出 2,397 條用於訓練，全參數微調、上下文 256K，只訓練一個週期，其中直接被監督的詞元約占 2.12%，因此大部分內容只是提供上下文。

有了方法，下一個問題是怎麼證明它變好了，這就要看 DFM-Bench 的自動評分。

延伸閱讀：讓 AI 在歷史中「做夢」實現自我進化！Google DeepMind 發表 Dream-RSI：告別微調權重，探索算力成本暴降 162 倍，揭開遞歸自我改進（RSI）新範式

DiscoveryRSI 的 DFM-Bench 評分：從 4.86 進步到 5.39，換掉了什麼

自動評分顯示 DiscoveryRSI 讓假說更容易被檢驗，但重要性與新穎性反而下降。

DFM-Bench 把研究分成五層來評：單一假說、修改的價值、發展路徑、整次研究，以及科學貢獻。單一假說用八個面向打分，包括重要性、新穎性、依據、可否證、資料可解答性、可行性、替代解釋與可行動性。

論文在生命科學四個領域測試，涵蓋臨床與族群健康、治療標靶優先順序、疾病機制與族群多體學，共 241 個研究問題。評分者是 GPT-5.6 Sol，也就是只有一個評審模型。

論文附錄說明，評分由同一模型家族扮演三種審查角色完成，測的是彼此相關的 AI 觀點，不是三位獨立專家。

平均假說品質從基礎模型的 4.86，在第一輪升到 5.18，第二輪升到 5.39。附錄說明分數是 1 到 10 分的加權平均，八個面向的權重固定，論文稱這是內部慣例，不是經實證的最佳權重。

所以這個數字更適合比較同一套評分下的前後變化，不適合當成研究好壞的絕對分數。

表格說明了這次進步的性質。模型學會把假說寫成可否證、資料拿得到、考慮替代解釋的樣子，但重要性與新穎性分數下降，所以它更像是在把想法變成可執行的研究計畫，而不是產生更驚人的點子。

行為也跟著改變。修復與演化的比例從 77.5% 升到 91.7%，科學式重啟從 21.7% 降到 5.0%，這代表模型更常修補既有假說，較少推翻重來。

但自動評分只能說明在這套標準下的進步，是否符合專家的看法，要看人工審查。

DiscoveryRSI 的 6.3% 假說命中率怎麼讀？與後續論文對應不等於準確率

6.3% 是模型提出的假說版本中，有後續論文可對應的比例，但它描述的是文獻連結，不是正確率。

論文建立了一個共同的參考文獻庫，包含 16,440 篇已解決的論文，來自 420 次引文追蹤，因為每個模型的知識截止日期不同，所以依各群組的截止日期過濾，只保留截止日期之後的論文。

判斷標準是，截止日期之後的論文是否提供了和假說有關的實驗設計、對照組、量測方式，或可檢驗的證據缺口。流程分兩步，先要求候選文獻與假說至少共用三個非停用詞，再由 GPT-6 Luna 做語意判斷，命中率就是獲得肯定判斷的假說版本比例。

論文自己說明，這些標籤是彼此相關的自動判斷，不是獨立的專家審查。沒有被標成肯定的假說，也可能只是檢索沒涵蓋到。

這張表顯示，X 貼文只挑了 GPT-6 與 Claude Opus 5 來比。論文本文與倉庫的圖還有 DeepSeek 與 GLM，其中 DeepSeek 是 5.4%。

DiscoveryRSI 對它只多 0.9 個百分點，這個差距和「領先兩倍多」的印象很不一樣。

樣本數的差異也很大，所以單看百分比容易失真。GLM 只有 36 個版本，命中 1 個，Claude Opus 5 有 131 個版本，GPT-6 則有 2,341 個。

論文只呈現描述性的百分比，沒有做顯著性檢定，同一研究家族的版本與共用的判斷也彼此相依。

截止日期也不一致。論文附錄列出 Qwen 為 2025 年 4 月（暫定的家族代理），Claude Opus 5 為 2026 年 5 月，GLM-5.3 為 2026 年 8 月，DeepSeek V4.1 為 2026 年 9 月。

DiscoveryRSI-27B 以 Qwen 為基底，附錄沒有另列它的日期。

論文強調，這些日期只為了讓比較可重現，不代表模型內部的知識截止日。但各組能對應的文獻期間因此長短不一，期間愈長，一般愈有機會找到對應，這是本文的推論，論文沒有量化影響。

領域差異也很大。DiscoveryRSI 在治療標靶優先排序是 16.9%（30 比 178），人口多體學 7.4%，疾病機制 6.8%，臨床與族群健康只有 2.3%（13 比 557）。

所以 74 個命中裡有 30 個來自單一領域，6.3% 的平均值不能代表每個領域。

Claude 的數字還有一個技術因素。論文說，它的 131 個提案只有 15 個通過檢索門檻，約 11.5%，DiscoveryRSI 則是 355 個、約 30.2%。

Claude 提案的中位長度是 41,134 字元，檢索只讀前 6,000 字元，作者認為提案開頭的修改紀錄可能擠掉科學內容。

論文改用提案標題檢索，Claude 通過的數量從 15 增加到 95，但這只證明結果對寫法敏感，並沒有增加肯定判斷。

更關鍵的是，進入語意判斷之後，兩者的肯定比例很接近，Claude 是 20.0%（3 比 15，樣本很小），DiscoveryRSI 是 20.8%。換句話說，6.3% 對 2.3% 的落差，主要來自有多少提案進得了檢索，而不是進入判斷後的表現。

論文也承認，要用結構化的科學表述，對所有組別重新判斷，才能知道這對最終比較有多大影響。

因此 6.3% 更適合這樣讀：在這套檢索與判斷流程下，DiscoveryRSI-27B 的假說比較常被後續文獻接上，其餘約九成三沒有找到對應，並不代表它們是錯的，只是沒有被這套流程找到。

另外，論文自己也寫到，這衡量的是文獻連結，不是研究者是否採納，而且也還沒有用實驗驗證這些假說。

命中率是自動流程的結果，專家怎麼評價，則是另一組證據。

專家審查與開放資源：誰評分，能取得什麼

專家審查的結果好壞參半，論文自己也稱它是初步結果。

審查者有 27 位，包含醫師、醫學系學生與生物科學博士生，由三位資深督導帶領，共看 292 份提案，來自六組資料集。順序隨機，來源與 AI 評分都被隱藏，並要求忽略修改歷史，所以審查結果比較不受品牌或 AI 分數影響。

審查者先給整體研究價值的五分制判斷，再依六項錨定標準各給四分制評價。DiscoveryRSI-27B 在重要性得 3.10，GPT-6 Luna 得 2.94，在「主張合理且受證據限制」得 3.37 對 3.16。

但另外四項沒有領先。「相對已知研究的進展」兩者同為 2.31，GPT-6 Luna 在資料適配度、替代解釋與結果資訊量三項分數較高。論文自己也說，修改成效較好，與單篇提案仍有弱點是並存的。

論文也看了每次修改的成效。依人類評分，DiscoveryRSI-27B 的修改有 41% 變好、47% 沒變、12% 變差，平均每次修改變化 +0.07。

GPT-5.6 Sol 是 31%、37%、32%，平均 +0.03，GPT-6 Luna 是 25%、44%、31%，平均 -0.01。

自動評分裡重要性下降，專家卻給它高於 GPT-6 Luna 的重要性，這並不矛盾，因為前者比的是同一模型的前後兩輪，後者比的是兩個不同模型，兩者不能互相佐證。

審查者人數與提案數有限，所以只能說，DiscoveryRSI-27B 的修改較少讓提案變差，但單篇提案的品質，並沒有全面勝過 GPT-6 Luna。

想自己看細節的人，資源都已公開，所以可以直接下載來檢查。GitHub 倉庫提供代理核心、模型適配器、角色提示、工具登錄、回放儲存與領域適配器。

安裝後可用 demo 指令跑兩輪示範，也能用 vLLM 把 27B 模型啟動成相容 OpenAI 介面的服務。

倉庫也支援 Codex、Claude Code 等其他模型端點。README 還說，在配對實驗中，它選出的獨特假說比基礎模型多 16.7%，編譯成的 Harbor 任務多 50%，這是倉庫的說法，論文中的主要評測則是前面的數字。

線上還有一個由 PhAI Labs 運作的展示場，可以看不同模型的候選假說與假說樹生長過程，原作者在 X 的影片也是這個展示。

了解可以取得什麼之後，要判斷的是誰該花時間使用。

延伸閱讀：Project Quine 把 AI 接進生物研究：提出假說之後，實驗證據才是關鍵

適合誰、不適合誰：導入 DiscoveryRSI 前的檢查清單

DiscoveryRSI 適合研究 AI 科學代理、評測方法，或想把自己領域的研究流程做成可回放系統的團隊。

它的價值在可拆解，所以你可以只借用假說的結構化定義、八個評分面向，或流程回放的做法，不必採用整套框架，因為這些設計對任何要讓代理提出研究計畫的產品都有參考意義。

不適合的情況很清楚。想拿它直接產生藥物或臨床結論的人不適合，因為模型卡明說它不是醫療器材，不該用於臨床決策。沒有領域專家審查的團隊也不適合，因為輸出可能看起來很專業，內容卻缺乏依據。

導入前先確認自己的資料能不能合法使用，因為倉庫不附任何受限資料。接著要估算硬體，Hugging Face 頁面的中繼資料顯示約 28B 個 BF16 參數，依參數量粗估，光放權重就需要約 56 GB 的記憶體，實際需求請看官方部署說明。

最後找一個領域專家，用自己的研究問題讓模型提出假說，請專家依論文的四個要素檢查：主張有沒有依據、計畫做不做得到、判斷標準是否事先講明、替代解釋有沒有被考慮。

專家的看法比任何分數更重要，因為論文的自動評分只有一個評審模型，而且評分高不等於研究好。

通過這些檢查之後，也要清楚知道這項研究目前還有哪些限制。

DiscoveryRSI 的限制與風險：沒有實驗驗證，評分也只有一個評審

最大的限制是，這些假說還沒有用實驗驗證，所有證據都在文獻對應與專家打分的層次。

論文承認的限制有幾項。自動分數依賴單一評審模型，人類審查只是初步，文獻對應也是自動判斷。跨模型的比較在群組大小、領域、截止日期與檢索涵蓋上並不一致，Claude 的數字對檢索格式也敏感。

論文還說，廣度探索與預算效率變化不大，重要性與新穎性分數下降，個別提案仍有缺點。這些都是作者自己列出的弱點，但也代表論文的結論相對保守。

README 與模型卡另外提醒，系統可能提出看似合理卻沒有依據的主張、漏掉相關證據、誤讀資料來源，或提出做不到的實驗，輸出需要專家審查與獨立驗證。

另一個風險是名稱帶來的聯想。RSI 常被連到「AI 自己變得更強」的討論，但這項研究的遞迴只在特定研究流程與模型微調內發生，不代表模型在所有能力上持續自我提升。

最後是使用層面的風險。自行部署時，你要負責資料授權、隱私與審查流程，因為它不會替你判斷哪些假說值得投入實驗經費。

DiscoveryRSI 常見問題

DiscoveryRSI 的 6.3% 是準確率嗎？

不是。它是模型提出的假說版本中，在截止日期之後的論文裡找得到對應實驗設計、對照、量測或證據缺口的比例。這個比例說明文獻連結，不代表假說已被證實。

DiscoveryRSI-27B 可以自己下載使用嗎？

可以。模型在 Hugging Face 以 Apache-2.0 公開，基底是 Qwen3.8-27B，倉庫提供用 vLLM 啟動的方式。模型為 BF16 權重，需要足夠的記憶體，且必須自備合法的資料。

DiscoveryRSI 的 RSI 是什麼意思？

RSI 是遞迴自我改進，指系統把上一輪研究的經驗用來改進下一輪。在這個專案裡，它指的是模型訓練與研究流程的逐輪改進，範圍限於論文描述的假說研究。

DiscoveryRSI 可以用在醫療決策嗎？

不行。模型卡說明它不是醫療器材，不應用於臨床、診斷或治療決策，README 也要求有合格專業人員監督，輸出需要專家審查與獨立驗證。

結語：把 DiscoveryRSI 當成研究方法來讀，不要當成發現的證明

DiscoveryRSI 最確定的貢獻，是把「什麼是好假說」寫成可評分的定義，並公開程式碼、模型與評測基準。最不確定的是這些假說在實驗室裡能走多遠，因為目前還沒有實驗驗證。

如果你在做科學代理，可以先借用它的假說定義與八項評分面向，檢查自己系統的輸出。如果你只是想了解 AI 與科學發現的進展，記得 6.3% 是文獻連結的比例，不是成功率。

想持續追蹤 AI 研究與科學代理的原始論文解析，可以免費訂閱 AI 郵報，後續更新會以論文與官方資料為準。

資料來源

• arXiv 論文，DiscoveryRSI: Recursively Learning to Discover Valuable Hypotheses：https://arxiv.org/abs/2610.23839
• arXiv 論文網頁版：https://arxiv.org/html/2610.23839v1
• GitHub，Gen-Verse/DiscoveryRSI：https://github.com/Gen-Verse/DiscoveryRSI
• GitHub，DFM-Bench：https://github.com/Gen-Verse/DFM-Bench
• Hugging Face，DiscoveryRSI-27B 模型卡：https://huggingface.co/Gen-Verse/DiscoveryRSI-27B
• X 熱度線索，原作者 Ling Yang 貼文：https://x.com/LingYang_PU/status/2111997117774594312