Мультиагентный Python-фреймворк для создания, симуляции и изучения агентов на базе LLM, с поддержкой инструментов, памяти и генерации данных.
Gen-Verse/DiscoveryRSI
Открытый исследовательский фреймворк и модель на 27B параметров для рекурсивной разработки и оценки научных гипотез, ориентированные на исследования в области наук о жизни.
- Звёзды
- 107
- Форки
- 8
- Открытые issues
- 0
- Последний коммит
- 20 часов назад
Что это?
DiscoveryRSI рассматривает научные исследования как рекурсивный процесс, в центре которого находятся гипотезы. Каждое предложение — это версионируемый исследовательский объект, объединяющий основанное на данных утверждение, план исследования, явные критерии принятия решения и альтернативные объяснения. Мультиагентный поиск развивает гипотезы в исследовательский граф, а выбранные вычислительные исследования преобразуются в исполняемые задачи Harbor. Данные и изменения, лежащие в основе каждого шага, сохраняются для повторного использования.
В проект входит DiscoveryRSI-27B — модель на 27B параметров, обученная с помощью Hypothesis Credit Optimization, которая связывает оценку научной значимости с конкретными вкладами, например добавлением доказательств или контрольного сравнения. В открытый harness входят агентное ядро, адаптеры провайдеров для OpenAI-совместимых эндпоинтов, промпты ролей, реестр инструментов, хранилище воспроизведений и манифесты кампаний. Его можно запустить с локальной демонстрацией или с моделью, предоставляемой через vLLM.
Дополнительный DFM-Bench оценивает прогресс исследований на уровне отдельных гипотез, их версий, полных исследовательских запусков и дедуплицированных вкладов. В бенчмарке есть сценарий для наук о жизни и расширение для материаловедения аккумуляторов. Результаты предназначены для экспертной проверки и независимой верификации, а не для принятия клинических решений.
Ключевые возможности
- 01Генерирует версионируемые гипотезы с доказательствами, планами исследований и критериями принятия решений.
- 02Отслеживает связи с родительскими версиями и историю изменений на протяжении итераций исследования.
- 03Преобразует выбранные вычислительные исследования в исполняемые задачи Harbor.
- 04Предоставляет модель DiscoveryRSI-27B через OpenAI-совместимый эндпоинт.
- 05Включает локальную демонстрацию, тесты и хранилище воспроизведений для исследовательских кампаний.
- 06Дополняется DFM-Bench для оценки накопительного прогресса исследований.
Сценарии использования
- Генерация и уточнение проверяемых гипотез в исследованиях в области наук о жизни.
- Приоритизация терапевтических мишеней или изучение механизмов заболеваний на авторизованных данных.
- Изучение того, как исследовательские AI-агенты развивают идеи на протяжении нескольких итераций.
- Оценка систем исследовательских агентов по полным траекториям исследований.
Быстрый старт
- 1
Клонируйте репозиторий
git clone https://github.com/Gen-Verse/DiscoveryRSI.git - 2
Перейдите в каталог проекта
cd DiscoveryRSI - 3
Установите общедоступный harness
python -m pip install -e . - 4
Запустите детерминированную локальную демонстрацию
discovery-rsi demo --iterations 2
Что важно знать
- Чтобы использовать модель 27B во всём рабочем процессе кампании, необходимо самостоятельно развернуть endpoint, совместимый с OpenAI, например с помощью vLLM.
- Сгенерированные гипотезы могут выглядеть правдоподобно, но не иметь подтверждений; их должны проверить специалисты, а затем необходимо провести независимую проверку.
- Система не является медицинским изделием и не должна использоваться для принятия клинических или иных решений с высокими ставками.
- Можно добавлять только данные, на использование которых у вас есть разрешение: данные пациентов и наборы данных с ограниченным доступом не входят в комплект.
Темы
Частые вопросы
- Что такое DiscoveryRSI?
- Открытый исследовательский фреймворк и модель на 27B параметров для рекурсивной разработки и оценки научных гипотез, ориентированные на исследования в области наук о жизни. DiscoveryRSI рассматривает научные исследования как рекурсивный процесс, в центре которого находятся гипотезы. Каждое предложение — это версионируемый исследовательский объект, объединяющий основанное на данных утверждение, план исследования, явные критерии принятия решения и альтернативные объяснения. Мультиагентный поиск развивает гипотезы в исследовательский граф, а выбранные вычислительные исследования преобразуются в исполняемые задачи Harbor. Данные и изменения, лежащие в основе каждого шага, сохраняются для повторного использования.
- DiscoveryRSI можно использовать бесплатно? Какая у него лицензия?
- DiscoveryRSI распространяется с открытым исходным кодом под лицензией Other. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- DiscoveryRSI всё ещё поддерживается?
- Активно поддерживается. Последний коммит в DiscoveryRSI — 20 окт. 2026 г..
- Для чего можно использовать DiscoveryRSI?
- Генерация и уточнение проверяемых гипотез в исследованиях в области наук о жизни. Приоритизация терапевтических мишеней или изучение механизмов заболеваний на авторизованных данных. Изучение того, как исследовательские AI-агенты развивают идеи на протяжении нескольких итераций. Оценка систем исследовательских агентов по полным траекториям исследований.
- Как установить DiscoveryRSI?
- Клонируйте репозиторий: git clone https://github.com/Gen-Verse/DiscoveryRSI.git Перейдите в каталог проекта: cd DiscoveryRSI Установите общедоступный harness: python -m pip install -e . Запустите детерминированную локальную демонстрацию: discovery-rsi demo --iterations 2
- Где скачать DiscoveryRSI?
- Исходный код и инструкции по установке — на GitHub: https://github.com/Gen-Verse/DiscoveryRSI
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Open-source фреймворк для обучения LLM-агентов с помощью reinforcement learning, совместимый с любыми агентскими harness, sandbox и бэкендами обучения.
Исследовательский фреймворк, использующий предсказания модели мира и обратную связь от взаимодействия для рекурсивного самоулучшения в задачах исправления кода, работы с GUI и планирования экспериментов.
Открытый Python-фреймворк для создания готовых к продакшену LLM-приложений с модульными конвейерами и агентными процессами для RAG, поиска и работы агентов.
Платформа корпоративного уровня для создания и запуска AI-агентов: управление моделями, интеграция инструментов MCP и автоматизация RPA.
Симулятор на Python, в котором LLM-агенты имитируют до миллиона пользователей социальных платформ в стиле Twitter и Reddit, чтобы изучать распространение информации и поляризацию.