UniPat AI联合北京大学，基于Qwen3-30B-A3B-Thinking-2507研发了一款专门搞前沿科学研究的模型UniScientist。

在前沿科学研究基准测试（FrontierScience-Research）中达到33.3%，超越了刚刚发布的顶级模型GPT-5.4（33.0%）。

这一切都源于研发团队深度打造了一个数据集。

原Qwen3-30B-A3B-Thinking-2507直接跑FrontierScience-Research，只有1.7%成功率。

团队用专门打造的数据集微调后，飙到了33.3%，提升31.6%。

模型与人类专家实现优势互补

高质量的科学数据一直是制约人工智能发展的核心瓶颈。

完全由人类撰写的数据虽然专业严谨，但成本极高且难以规模化。纯粹依靠算法合成的数据虽然数量庞大，却往往缺乏人类专家特有的辨别精度和领域根基。

研究团队敏锐地捕捉到了两者之间奇妙的不对称性。

大语言模型拥有极其宽广的跨学科知识储备，能够以极高的效率生成海量内容。

人类专家则在判断是非和验证逻辑方面具有不可替代的敏锐度。

因此促成了一种全新的数据生产合作模式。语言模型充当不知疲倦的创作者，跨越单一学科的边界提出各种研究构想。人类专家则化身为严苛的审稿人，专门负责审核这些构想的准确性与合理性。

这种分工协作让数据质量和覆盖面都得到了极大提升。

研究团队借此构建了一个极其庞大的科研级训练语料库。这个语料库涵盖了50多个广阔的科学领域，包含4700多个真实的研究实例。

每个样本都靠领域专家投入1到2个小时进行精细标注打磨。

数据不仅覆盖了量子物理和有机化学等基础学科，还延伸到了社会文化人类学、计算语言学甚至地球物理学和免疫学。

这个庞大的数据集几乎囊括了人类科学探索的各个主流分支。每一个领域的数据都配备了结构化的评分标准作为监督信号。这些高质量的数据成为了哺育新型科研智能体的宝贵养料。

动态证据整合重塑科学研究过程

要让机器做科学研究，最关键的一步是把做科学这件事转化为清晰的数学或逻辑模型。

传统的问答系统只负责输出答案，而真实的科研是一个不断试错和迭代的动态过程。

研究团队将开放式的科学研究定义为主动证据整合与模型溯因。

在这个框架下，智能体面对一个研究任务时，会始终维护一个不断进化的证据库。这个证据库就像是侦探手中的线索板，上面钉满了各种已经被证实的信息。

这些证据分为两大类。

一类是基于外部文献和权威来源的客观证据，相当于科学家站在巨人的肩膀上获取的前人智慧。

另一类是通过符号分析、数值计算和模拟实验亲手得出的推导性证据，代表了科学家自己动手做实验的成果。

这个过程完全展现了智能体自主探索的魅力。

为了完善手头的证据库，系统必须在资源受限的情况下，有目标地去获取信息和设计实验。每当得到一个新的中间结果，系统就会动态调整自己的下一步计划。

整个运作机制就像一个精密的齿轮系统在不断运转。

系统首先获取并验证新的目标导向证据，接着通过可复现的推导得出新结论。

系统会对现有的科学假设进行更新，找出最能解释当前所有证据的理论。

当证据链条足够完整且稳定时，所有的发现就会被汇总成一份严谨的科学报告。

为了应对这种复杂的循环，系统必须具备一套硬核的本领。在收集证据时，它得能精准检索事实并验证真伪。在构建模型时，它得学会利用演绎推理更新假设，并生成新的可验证证据。

这种能力是闭环的，每一次假设的更新都会促使系统去寻找那些最能区分不同解释的关键信息。

为了大批量制造这种高质量的研究问题，团队发明了渐进式博学合成引擎。这个引擎就像一个极其复杂的加工厂，专门把经过验证的科学结论扩展成开放式的研究课题。

整个加工过程分为四个精细的步骤。

搜索智能体会基于现有的科学主张，在海量论文和权威网站中反复检索，不断扩充证据池。

接着模型会根据这些素材构建一个连贯的科研背景，把零散的知识放在一个具体的科学情境中。

随后模型将这些知识浓缩成一个包含多个子问题的综合性研究课题。

专家和算法共同对问题进行验证和打磨，确保其具有真正的科学价值。

客观评分系统提升研究质量

对于开放式的科学报告，传统的机器评分往往力不从心。研究团队独辟蹊径，把宏大的科学报告拆解成了多个封闭且可验证的客观检查点。这种方法就像是给科研报告定制了一套极其严格的体检指标。

每一个评分项都必须满足客观一致性。面对同一份科学报告，用同一套标准反复评估多次，得出的结果必须完全一致。这样就能有效剔除掉那些主观模糊或极不稳定的评判条件。

评分标准还要具备强大的区分度。当面对不同完成度的研究报告时，这些标准应当能拉开明显的分数差距，把优秀的洞察和敷衍的废话清晰地区分开来。

每一个标准必须是原子的，它每次只测试一个单一的知识点，绝不把多个结论混杂在一起评判。

领域专家会提取解决问题所需的核心知识点，并把它们初始化为一个必备证据清单。搜索智能体再根据研究问题进一步扩充这个清单。最终形成的标准集就像是一组对关键知识点的单元测试，把原本难以衡量的开放式任务变成了可以量化的得分。

例如，下面这个化学领域的案例：

评估标准并不只是考察模型是否背下了某个标准答案。它们真正测试的是模型能否完成从查阅文献到提出假设，再到设计实验和进行敏感性分析的完整科学闭环。

除了常规的监督微调，团队还引入了一种叫做报告聚合的学习目标。

给出一个科研任务和多个不同智能体生成的候选报告，模型需要学会取其精华去其糟粕，最终融合成一份集大成者的终极报告。

训练的参考标准通过基于评分的拒绝采样获得，只有超过预设分数线的报告才会被采纳。

这种聚合能力赋予了智能体审视研究质量、重新思考竞争观点并重组证据的智慧。

这恰恰是真实科研工作中最核心的一环，科学家们每天都在综合多方信息，评估相互冲突的发现，并把最优质的证据编织成连贯的叙事。

代码解释器赋能科学计算

研究团队使用了Qwen3-30B-A3B-Thinking-2507作为基座模型，在NVIDIA H200 GPU集群上运行约1200 GPU小时，诞生了UniScientist。

UniScientist拥有惊人的128000个Token上下文长度，并且允许在每个任务中调用多达100次的工具。

它手里的工具箱非常丰富，包括网页搜索、学术文献检索、页面抓取以及一个极其关键的代码解释器。

代码解释器绝不是一个简单的辅助配件，它是智能体开展可复现计算的灵魂枢纽。

过去的语言模型在面对复杂的科学推理时，往往只能依靠内部的文字网络进行模糊的心理模拟。

这种纯文本的推演在很多硬核科学领域既没有效率也极不准确。你很难用纯文字准确描述流体力学的复杂变化规律。

代码解释器的加入彻底改变了游戏规则。

它把研究循环从单纯的文字讲故事，变成了一个测试与修订交替进行的严谨计算过程。

智能体提出的假设不再只停留在纸面，而是被转化为一行行可执行的代码。

这些代码运行的结果可以证实、反驳或是进一步锐化各种竞争性的科学解释。

科学研究的突破往往依赖于在明确的约束条件下运行针对性的分析和模拟。

代码解释器让智能体具备了亲自动手验证真理的能力，真正拉近了人工智能与真实科研操作的距离。

经过专家团队的反复评审，这个系统合成的很多研究问题已经达到了成熟项目负责人级别的提案质量。

它们不仅方向明确、视角新颖，而且展现出了惊人的专业深度。

模型合成的问题具有错综复杂的混合结构，后一步的推演往往建立在前一步的基础之上。

这种步步为营的探索过程，完美复刻了人类科学家解决难题的心路历程。

顶级基准测试展现出众科研潜力

研究团队在五个极具代表性的权威基准上对系统进行了严苛的评估。

其中既有贴近训练数据的专业前沿科学研究测试，也有考察纯粹科学知识储备的前沿科学奥林匹克测试，还包括了评估通用研究和信息整合能力的深度研究系列基准。

这个30B参数规模的模型在前沿科学研究基准（FrontierScience-Research）上拿下了28.3的高分，通过测试时的规模扩展技术（test-time scaling），它的得分甚至能够飙升到33.3。

在前沿科学奥林匹克测试（FrontierScience-Olympiad）中，它在不使用任何工具的情况下取得了66.0的优异成绩。在允许使用工具并结合聚合技术后，分数达到了71.0，完全追平了最顶级的闭源巨头模型。

即便是在领域外的深度研究基准测试中，它的表现依然光芒四射。

它在DeepResearch Bench中拿下了46.0分，与得分为47.0的OpenAI Deep Research表现相当。

在DeepResearch Bench II测试中，它以48.0分的成绩一举超越了45.4分的OpenAI模型和44.6分的Gemini模型。

在ResearchRubrics评估中，它同样获得了59.9分的高水准成绩。

即使在剥夺了所有外部工具的裸测环境下，它依然比基础模型有了质的飞跃。

这种内在科学研究能力的提升，充分证明了渐进式博学合成数据的巨大威力。

广泛跨学科的大规模信息获取能力，彻底打破了单一领域专家在知识广度上的局限。

目前这个系统的实操能力主要还局限在可复现的推理和基于模拟的计算上。

它还无法完美地调度真实世界的物理科研资源，比如在大型计算集群上分配任务或者协调复杂的实验室操作。

把这套智能大脑连接到真实的实验设备和计算基础设施上，将是探索自动化科学发现在未来的核心方向。

参考资料：

https://unipat.ai/blog/UniScientist

https://github.com/UniPat-AI/UniScientist

https://huggingface.co/UnipatAI/UniScientist-30B-A3B