Repolode
Gen-Verse

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. 1

    Клонируйте репозиторий

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

    Перейдите в каталог проекта

    cd DiscoveryRSI
  3. 3

    Установите общедоступный harness

    python -m pip install -e .
  4. 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

Исследовательский фреймворк, использующий предсказания модели мира и обратную связь от взаимодействия для рекурсивного самоулучшения в задачах исправления кода, работы с GUI и планирования экспериментов.

80663HTMLApache-2.0Обновлён 8 дней назад

Симулятор на Python, в котором LLM-агенты имитируют до миллиона пользователей социальных платформ в стиле Twitter и Reddit, чтобы изучать распространение информации и поляризацию.

5,3 тыс.653PythonApache-2.0Обновлён позавчера