AI 自主研究框架 Arbor 发布：靠「假设树」迭代，收益超 Claude Code 2.5 倍

如果你让目前的 AI 智能体去排查 bug 或写个小脚本，它通常完成得不错。但要是让它自主做一项长周期的研究，比如优化一个深度学习模型，场面往往很快会失控：试错几次失败后，它会把刚才学到的教训忘得一干二净，甚至在原地反复兜圈子。

说白了，现在的 AI 智能体大多像只有短期记忆的实习生，能干杂活，却掌不住大局。

研究团队在一篇 arXiv 论文中给出了解决方案：自主研究框架 Arbor。它的核心目的很明确，就是让 AI 走出局部盲目摸索的状态，拥有一棵能跨时间、跨实验持续生长的「研究树」。

一个长寿掌舵人，带一群临时助手

Arbor 解决上下文遗忘的方法，不是简单粗暴地扩大上下文窗口，而是重构了智能体的工作组织架构。这套机制被称为「假设树细化」（HTR）。

系统被拆成了两套角色。顶层是一个「长寿命协调器」，相当于实验室的主理人，只负责通盘思考：现在有哪些未验证的猜想、下一步优先测什么、全局方向往哪走。

底层则是一群「短寿命执行器」。协调器一旦有了新点子，就会派出一个执行器，让它在独立的沙盒工作区里专门跑这一个实验。实验跑完，汇报结果，这个执行器就地销毁。

树上的每一个节点，不仅记录了代码和最终结果，还沉淀了假设、数据证据以及提炼出来的经验。无论实验成功还是失败，教训都会被回传给树结构，变成后续决策的养分。

压过 Claude Code，收益翻倍

这种把策略和执行拆开的做法，在严苛的科研场景下直接拉开了差距。

团队在无需人类逐步干预的「自主优化」（AO）设定下测试了 Arbor，涵盖模型训练、评测套件构建、数据合成等 6 个真实的科研工程任务。在相同资源预算与接口下，Arbor 在全部 6 项任务中均拿到最好成绩，平均相对收益达到了 Codex 和 Claude Code 的 2.5 倍以上。

在机器学习竞赛基准 MLE-Bench Lite 上，搭配 GPT-5.5 的 Arbor 斩获了 86.36% 的 Any Medal 奖牌率，成为测试中成绩最好的系统。

它证明了一件事：当 AI 能像真正的人类学者一样把探索过程沉淀成拓扑树，而不是靠单条对话记录死撑时，长程推理的上限会被大幅拉高。

为什么重要

对算法工程师和研究人员来说，Arbor 指明了 AI 助手的演进方向。以前让 Claude Code 或 Codex 改代码，人必须时刻守在屏幕前当监工；而有了 Arbor 这种结构，未来你可能只需要扔给 AI 一个优化目标，让它在后台跑上三天，回来就能收割一份带完整论证轨迹的报告。

我们认为，Arbor 最聪明的地方在于抛弃了「一个大模型从头聊到尾」的执念。把大局规划交给长寿命协调器，把脏活累活丢给用完即弃的隔离实例，既避免了上下文被报错信息污染，又天然支持了多分支并行验证。

不过，这套方案目前的门槛也很明显。多分支的实验试错意味着算力和 Token 消耗会成倍上升，隔离环境的工程搭建也不轻松。但不管怎样，它已经把 AI 自主科研的门线，从简单的单点修补，推向了真正具备累积能力的系统工程。