Repolode
Enviar
Gen-Verse

Gen-Verse/DiscoveryRSI

Framework de investigación abierto y modelo de 27B que desarrollan y evalúan hipótesis científicas de forma recursiva, con un enfoque en las ciencias de la vida.

Ver en GitHubSitio web
Estrellas
107
Forks
8
Issues abiertos
0
Último commit
hace 15 horas

¿Qué es?

DiscoveryRSI concibe la investigación científica como un ciclo recursivo centrado en hipótesis. Cada propuesta es un objeto de investigación versionado que combina una afirmación respaldada por evidencia, un plan de investigación, criterios explícitos para la toma de decisiones y explicaciones alternativas. La búsqueda multiagente desarrolla estas hipótesis en un grafo de investigación, y algunas investigaciones computacionales seleccionadas se compilan en tareas ejecutables de Harbor. La evidencia y las revisiones de cada paso se almacenan para poder reutilizarlas.

El proyecto incluye DiscoveryRSI-27B, un modelo de 27B entrenado con Hypothesis Credit Optimization, que vincula las evaluaciones de calidad científica con contribuciones específicas, como añadir evidencia o un comparador. El harness público proporciona el núcleo agéntico, adaptadores de proveedores para endpoints compatibles con OpenAI, prompts de rol, un registro de herramientas, un almacén de reproducciones y manifiestos de campañas. Puede ejecutarse con una demo local o con un modelo servido mediante vLLM.

El proyecto complementario DFM-Bench evalúa el progreso de la investigación a nivel de hipótesis individuales, revisiones, ejecuciones completas de investigación y contribuciones sin duplicados. Incluye un entorno de ciencias de la vida y una extensión para la ciencia de baterías. Los resultados están pensados para la revisión de expertos y la verificación independiente, no para la toma de decisiones clínicas.

Funciones clave

  • 01Genera hipótesis versionadas con evidencia, planes de investigación y criterios para la toma de decisiones.
  • 02Registra los enlaces a hipótesis parentales y el linaje de las revisiones a lo largo de las iteraciones de investigación.
  • 03Compila algunas investigaciones computacionales seleccionadas en tareas ejecutables de Harbor.
  • 04Ofrece el modelo DiscoveryRSI-27B, servido mediante un endpoint compatible con OpenAI.
  • 05Incluye una demo local, pruebas y almacenamiento de reproducciones para las ejecuciones de campañas.
  • 06Se complementa con DFM-Bench para evaluar el progreso acumulado de la investigación.

Casos de uso

  • Generar y refinar hipótesis comprobables en la investigación de ciencias de la vida.
  • Priorizar dianas terapéuticas o explorar mecanismos de enfermedades con datos autorizados.
  • Estudiar cómo los agentes de investigación de IA desarrollan ideas a lo largo de varias iteraciones.
  • Evaluar sistemas de agentes de investigación comparando trayectorias de investigación completas.

Inicio rápido

  1. 1

    Clona el repositorio

    git clone https://github.com/Gen-Verse/DiscoveryRSI.git
  2. 2

    Entra en el directorio del proyecto

    cd DiscoveryRSI
  3. 3

    Instala el harness público

    python -m pip install -e .
  4. 4

    Ejecuta la demo local determinista

    discovery-rsi demo --iterations 2

Antes de usarlo

  • Para servir el modelo 27B durante todo el flujo de trabajo de la campaña, debes alojar por tu cuenta un endpoint compatible con OpenAI, por ejemplo, con vLLM.
  • Las hipótesis generadas pueden parecer plausibles, pero carecer de respaldo; requieren la revisión de expertos y una verificación independiente.
  • El sistema no es un dispositivo médico y no debe usarse para tomar decisiones clínicas ni otras decisiones de alto riesgo.
  • Solo se pueden incorporar datos cuyo uso tengas autorizado, ya que no se incluyen datos de pacientes ni conjuntos de datos de acceso restringido.

Temas

#ai-for-science#llm-agents#agent-framework#hypothesis-generation#life-science#benchmark#research-automation#agentic-workflow#aiforscience#recursive-self-improvement

Preguntas frecuentes

¿Qué es DiscoveryRSI?
Framework de investigación abierto y modelo de 27B que desarrollan y evalúan hipótesis científicas de forma recursiva, con un enfoque en las ciencias de la vida. DiscoveryRSI concibe la investigación científica como un ciclo recursivo centrado en hipótesis. Cada propuesta es un objeto de investigación versionado que combina una afirmación respaldada por evidencia, un plan de investigación, criterios explícitos para la toma de decisiones y explicaciones alternativas. La búsqueda multiagente desarrolla estas hipótesis en un grafo de investigación, y algunas investigaciones computacionales seleccionadas se compilan en tareas ejecutables de Harbor. La evidencia y las revisiones de cada paso se almacenan para poder reutilizarlas.
¿DiscoveryRSI es gratuito? ¿Qué licencia tiene?
DiscoveryRSI es open source bajo la licencia Other. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿DiscoveryRSI sigue mantenido?
Mantenimiento activo. El último commit de DiscoveryRSI fue el 20 oct 2026.
¿Para qué puedo usar DiscoveryRSI?
Generar y refinar hipótesis comprobables en la investigación de ciencias de la vida. Priorizar dianas terapéuticas o explorar mecanismos de enfermedades con datos autorizados. Estudiar cómo los agentes de investigación de IA desarrollan ideas a lo largo de varias iteraciones. Evaluar sistemas de agentes de investigación comparando trayectorias de investigación completas.
¿Cómo se instala DiscoveryRSI?
Clona el repositorio: git clone https://github.com/Gen-Verse/DiscoveryRSI.git Entra en el directorio del proyecto: cd DiscoveryRSI Instala el harness público: python -m pip install -e . Ejecuta la demo local determinista: discovery-rsi demo --iterations 2
¿Dónde consigo DiscoveryRSI?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/Gen-Verse/DiscoveryRSI

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados