AI 自主研究框架 Arbor 釋出：靠「假設樹」迭代，收益超 Claude Code 2.5 倍

如果你讓目前的 AI 智慧體去排查 bug 或寫個小指令碼，它通常完成得不錯。但要是讓它自主做一項長週期的研究，比如最佳化一個深度學習模型，場面往往很快會失控：試錯幾次失敗後，它會把剛才學到的教訓忘得一乾二淨，甚至在原地反覆兜圈子。

說白了，現在的 AI 智慧體大多像只有短期記憶的實習生，能幹雜活，卻掌不住大局。

研究團隊在一篇 arXiv 論文中給出瞭解決方案：自主研究框架 Arbor。它的核心目的很明確，就是讓 AI 走出區域性盲目摸索的狀態，擁有一棵能跨時間、跨實驗持續生長的「研究樹」。

一個長壽掌舵人，帶一群臨時助手

Arbor 解決上下文遺忘的方法，不是簡單粗暴地擴大上下文視窗，而是重構了智慧體的工作組織架構。這套機制被稱為「假設樹細化」（HTR）。

系統被拆成了兩套角色。頂層是一個「長壽命協調器」，相當於實驗室的主理人，只負責通盤思考：現在有哪些未驗證的猜想、下一步優先測什麼、全域性方向往哪走。

底層則是一群「短壽命執行器」。協調器一旦有了新點子，就會派出一個執行器，讓它在獨立的沙盒工作區裡專門跑這一個實驗。實驗跑完，彙報結果，這個執行器就地銷燬。

樹上的每一個節點，不僅記錄了程式碼和最終結果，還沉澱了假設、資料證據以及提煉出來的經驗。無論實驗成功還是失敗，教訓都會被回傳給樹結構，變成後續決策的養分。

壓過 Claude Code，收益翻倍

這種把策略和執行拆開的做法，在嚴苛的科研場景下直接拉開了差距。

團隊在無需人類逐步干預的「自主最佳化」（AO）設定下測試了 Arbor，涵蓋模型訓練、評測套件構建、資料合成等 6 個真實的科研工程任務。在相同資源預算與介面下，Arbor 在全部 6 項任務中均拿到最好成績，平均相對收益達到了 Codex 和 Claude Code 的 2.5 倍以上。

在機器學習競賽基準 MLE-Bench Lite 上，搭配 GPT-5.5 的 Arbor 斬獲了 86.36% 的 Any Medal 獎牌率，成為測試中成績最好的系統。

它證明了一件事：當 AI 能像真正的人類學者一樣把探索過程沉澱成拓撲樹，而不是靠單條對話記錄死撐時，長程推理的上限會被大幅拉高。

為什麼重要

對演算法工程師和研究人員來說，Arbor 指明瞭 AI 助手的演進方向。以前讓 Claude Code 或 Codex 改程式碼，人必須時刻守在螢幕前當監工；而有了 Arbor 這種結構，未來你可能只需要扔給 AI 一個最佳化目標，讓它在後臺跑上三天，回來就能收割一份帶完整論證軌跡的報告。

我們認為，Arbor 最聰明的地方在於拋棄了「一個大模型從頭聊到尾」的執念。把大局規劃交給長壽命協調器，把髒活累活丟給用完即棄的隔離例項，既避免了上下文被報錯資訊汙染，又天然支援了多分支並行驗證。

不過，這套方案目前的門檻也很明顯。多分支的實驗試錯意味著算力和 Token 消耗會成倍上升，隔離環境的工程搭建也不輕鬆。但不管怎樣，它已經把 AI 自主科研的門線，從簡單的單點修補，推向了真正具備累積能力的系統工程。