編輯｜Sia

這個春節(jié)，AI 圈最硬核的一場「真人秀」，悄然完成了階段性收官。

主角不是動漫人物，也不是舞槍弄棒的機器人，而是一位 7×24 小時從不疲倦的 AI 科學家 FARS（ Fully Automated Research System ）。

這套由 Analemma（日行跡）打造的全自動研究系統(tǒng)，在長達 228 小時 28 分 33 秒的連續(xù)公開運行中，自己提假設、做實驗、寫論文，共生成 244 個研究假設，「肝」出 100 篇短論文（ short paper ）。

算下來，在這座流水線式的「科研工廠」中，每隔約 2 小時就有一篇論文產(chǎn)出。

讓 AI 自己寫 100 篇論文目標達成，花了 228 個小時。目前，計劃持續(xù)一個月的直播仍在進行中。直播地址：https://analemma.ai/fars

這種跳出傳統(tǒng)科研范式的工業(yè)級吞吐量，很快讓圍觀網(wǎng)友坐不住了。

首批深度「驗貨」的專業(yè)網(wǎng)友給出了一個頗為一致的判斷：結果超過預期、相當出色。

如果把它當作人類頂會論文，還不夠驚艷；但如果考慮到這是一個全自動系統(tǒng)的階段性產(chǎn)出，其完成度已經(jīng)明顯超出很多人的事前預期。

「考慮到這只是一個 AI 的自主起步，能 7×24 小時穩(wěn)定產(chǎn)出到這個質量，還要啥自行車？」

而且，真 work 沒有通篇幻覺。

至少在當前階段，F(xiàn)ARS 已經(jīng)完成了一次關鍵跨越。它首次證明，一條無人值守的科研「流水線」不僅能跑，而且能在相對穩(wěn)定條件下，持續(xù)產(chǎn)出具備一定學術競爭力的 short paper 級工作。

「發(fā)論文這件事本身的稀缺性」被摧毀了。

恐怖的「工業(yè)節(jié)拍」，算力正在轉化為知識

FARS 并不是一個單體模型，而是一套多智能體系統(tǒng)，包括四個功能模塊：

• Ideation（構思）：負責文獻調研與假設生成
• Planning（規(guī)劃）：負責實驗方案設計
• Experiment（實驗）：負責代碼編寫與執(zhí)行
• Writing（寫作）：負責論文撰寫

從實時運行界面可以直觀看到，F(xiàn)ARS 以項目隊列的方式并行推進多個研究任務。每個課題依次穿過 Ideation → Planning → Experiment → Writing 四個階段，流程高度模塊化，呈現(xiàn)出明顯的「科研裝配線」特征。

FARS 實時運行界面：從假設生成到論文寫作，自動化科研流水線首次以可觀測形態(tài)完整展開。

為了讓它心無旁騖的做研究，Analemma（日行跡）還給它搭建了一個 160 張顯卡的計算集群，并允許它調用幾乎任何開源和閉源大模型，實驗條件遠超大部分高校實驗室。

而這條「流水線」的產(chǎn)能，已經(jīng)到了讓人很難忽視的程度。在約228 小時（≈9.5 天）的連續(xù)運行周期內：

• 系統(tǒng)生成244 個研究假設
• 完成100 篇 short paper
• 累計消耗114 億 Token
• 總成本約10.4 萬美元（≈75 萬元人民幣）

全程無人干預。

進一步歸一化后，這套系統(tǒng)的「工業(yè)節(jié)拍」變得更加直觀：平均每隔約 2 小時 17 分就有一篇研究論文完成，平均每篇論文成本大約 1000 美元，花費 1 億多Token。

對比人類科研常見的 3–6 個月 / 篇的周期，這種吞吐差距幾乎是數(shù)量級級別的，成本也極為低廉。

不過，如果把目光從吞吐轉向效率，約 1.14 億 Token / 篇的消耗，已經(jīng)明顯高于普通寫作生成（通常百萬級 Token ）以及常見復雜 Agent 任務（通常百萬、千萬級 Token ）的開銷。

這表明，F(xiàn)ARS 仍處于「算力換智能」的階段，其表現(xiàn)更多來自計算密度，而非算法效率的極限壓縮。

綜合來看， 一方面，F(xiàn)ARS 已經(jīng)用實測結果證明，端到端自動化科研流水線在吞吐層面是切實可行的。另一方面，其當前的 Token 與成本結構，距離「足夠便宜地大規(guī)模跑」還有工程空間。

質量：它寫得快，那寫得好嗎？

量大，從來不自動等于質優(yōu)。FARS 寫出來的東西，到底處在什么水平？

為此，研究團隊使用斯坦福大學開發(fā)的 AI 審稿系統(tǒng)Agentic Reviewer（ paperreview.ai ），按照 ICLR 的評審標準，對這 100 篇論文進行了統(tǒng)一打分。

根據(jù)開發(fā)者公開評估，Agentic Reviewer 在審稿一致性上，已達到人類審稿人的判斷水平。

開發(fā)者在 ICLR 2025 審稿數(shù)據(jù) 上做了對比評測，使用的是 Spearman 相關系數(shù)。人類 vs 人類：0.41；AI vs 人類：0.42。開發(fā)者認為 agentic reviewing 正在逼近人類水平。

從整體評分結果來看，F(xiàn)ARS 產(chǎn)出的 100 篇論文中，平均得分為5.05（區(qū)間 3.0–6.3）。

少量論文處于 3.0–4.5 的低分段，也有極少數(shù)突破 6.0 分。

FARS 論文分數(shù)主要堆在 5 分附近，說明產(chǎn)出質量并不是隨機波動，而是已經(jīng)形成相對穩(wěn)定的「質量帶」。少量樣本進入 6 分以上區(qū)間，意味著系統(tǒng)偶爾能產(chǎn)出超強作品。

這個成績，與人類戰(zhàn)績相比，又如何呢？

作為參照，ICLR 2026 人類投稿的平均分為 4.21，而最終被接收論文的平均分為 5.39。

對照來看，F(xiàn)ARS 的平均分 5.05，已經(jīng)明顯高于人類投稿的整體平均水平，但距離「平均中稿線」仍存在差距。

可謂比下有余，比上未滿。

FARS 生成的學術論文平均分超過人類投稿者的平均水平，但與平均中稿分數(shù)仍有差距。

需要再次強調的是，本次自動化生產(chǎn)以短論文為主，并未以當前學術會議的評審標準作為優(yōu)化目標。因此，無論是斯坦福大學 Agentic Reviewer 還是其他基于現(xiàn)有特定審稿標準的 AI 審稿結果，都只能作為一種參照，而非蓋棺定論。

據(jù)團隊透露，除 AI 審稿外，目前也在同步開展人工質量評審，并將在評估完成后形成綜合質量報告。

即便在這一審慎前提下，將前后兩部分數(shù)據(jù)合并觀察，整體信號仍然較為清晰：在接近人類評審尺度的評價體系中，F(xiàn)ARS 已然一臺穩(wěn)定的中分段輸出機器

論文深讀：

從「極速跟進」到「直面失敗」

如果說前面的數(shù)據(jù)與評分只能給出一條宏觀刻度，那么具體論文樣本，才真正暴露出 FARS 的研究成色。

已有網(wǎng)友拆解其中一篇 LLM-as-a-Judge 工作后評價，這類論文在摘要組織與問題切入上已經(jīng)相當工整。

考慮這是 AI 自動產(chǎn)出，完成度已經(jīng)「超出預期」?？蚣軋D、結果圖、分析基本都齊全，「像那么回事」

也有人覺得編號為 FA0008 的項目「 make sense 」。

接下來，我們選擇一成一敗兩篇代表作，一探究竟。

先看「做成」的一篇 FA0042。它瞄準的是文本embedding 里一個老矛盾：

雙向注意力質量高，但會破壞 KV-cache；因果注意力能流式推理，但表示能力吃虧。

FA0042 的解法非常工程導向——訓練階段用雙向拿質量，推理階段用因果保效率。具體路徑是先訓一個雙向 teacher，再把能力蒸餾進 causal student。為了避免直接切雙向帶來的分布漂移，論文還引入了剛發(fā)布不久的 GG-SM 做漸進過渡。

結果也確實「能打」， 這條工程折中路線被驗證是 work 的。

MTEB-slice 主要結果

流式推理延遲對比

LoCoV1 長文檔檢索結果。student 模型以 0.284 的 NDCG@10 大幅領先所有 baseline（包括 teacher 的 0.212 ），出人意料。

當然，short paper 氣質也很足：細粒度成對任務提升有限，長文檔檢索反超 teacher 的機制還沒完全講透。

但更值得注意的是，螞蟻集團的 GG-SM 發(fā)布 3 天就被接入實驗流程，這種緊跟前沿的速度，本身就是 FARS 系統(tǒng)敏捷性的一個信號。

再看一篇「沒做成」的 FA0121。

它的文獻調研很給力，盯上了 DeepSeek 新提出的 Engram 稀疏架構，并抓到了一個很研究味的問題——

hot-to-cold advantage flip , 即 Engram 中的門控（ gate ）在訓練過程中難以準確根據(jù) n-gram embedding 的實際效用進行調整，存在高頻（ hot ）和低頻（ cold ）偏置。

為了打破這種「馬太效應」，F(xiàn)ARS 嘗試了一個直覺上非常硬核的方案：試圖通過「反事實門控監(jiān)督（ CGS ）」修復 DeepSeek Engram 架構中的「冷熱偏置」問題。

在特定訓練步驟中分別強制 gate 全開和全關，計算兩種情況下的 loss 差值來估計當前 n-gram embedding 的實際效用，以此作為輔助監(jiān)督信號來訓練 gate。

FA0121 方法示意圖

主實驗結果

思路很直覺。但結果很誠實——基本沒救回來。

CGS 帶來的那點提升，甚至不如讓模型多訓練幾步來得實在。這說明，要解決 AI 的偏見，光靠「教練現(xiàn)場打分」是不夠的，得從更深層的制度（架構）上下功夫。

論文給出的復盤也很到位：Gate 和 n-gram embedding 的訓練是一個相互耦合的系統(tǒng)動力學問題，不是簡單加監(jiān)督就能補的。

這篇工作的價值正在于：它沒有試圖掩蓋負面結果，沒有為了追求正面結果而篡改數(shù)據(jù)或強行解釋，而是通過一套嚴密的診斷性實驗（Diagnostic Experiments ），反思 CGS 的失敗。

這種「算法誠實」是當前學術界稀缺的品質。

輿論場：

從「又一個 Demo」到「科研流水線雛形」

隨著 FARS 「直播真人秀」數(shù)據(jù)披露，社區(qū)討論也迅速升溫，高頻指向一個關鍵詞——生產(chǎn)線。

不少圍觀者很快抓住了真正的沖擊點：這次引發(fā)不安的，并不是某一篇論文寫得多驚艷，而是系統(tǒng)所展現(xiàn)出的連續(xù)科研運轉能力。

當一個系統(tǒng)能夠穩(wěn)定提出假設、自動完成實驗、并持續(xù)吐出成稿時，評價坐標其實已經(jīng)悄然移動。問題不再是「 AI 會不會寫論文」，而是更具結構性的那一句—— AI 是否開始具備科研工業(yè)產(chǎn)能的雛形。

這種敘事重心的變化，本身就意味著社區(qū)對 AI 科研系統(tǒng)的預期正在抬升。一些技術討論甚至認為，LLM 在 AI 方向論文寫作上的能力已「基本夠用」，剩余差距更多體現(xiàn)在工程細節(jié)層面。

「 3 個月內就可能出現(xiàn)非常成熟可用的自動 paper pipeline?！?/p>

換言之，大多數(shù)人幾乎已經(jīng)默認：科研流水線時代，遲早會來。真正懸而未決的問題反而是，當科研開始規(guī)模化自動生產(chǎn)，人類的不可替代性究竟還剩下什么？

對此，也有人給出答案：決定上限的，或許仍是研究者個人品味。

當然，社區(qū)并非只有單一聲音。

有人認為，與其關注單純 scale 出大量「普通 conference paper 」，不如將算力與模型能力投入到真正困難的開放問題上，這或許才是更具長期價值的方向。

無限心智的起點

FARS 的這 100 篇論文，并不是終點，更像是一枚被釘下的坐標點。

它證明了一件很重要的事：端到端自動科研流水線，已經(jīng)能夠在相對穩(wěn)定的運行條件下，持續(xù)產(chǎn)出具備一定學術競爭力的 short paper，并且開始展現(xiàn)出基礎的自我糾錯與負結果報告能力。

這意味著，自動化科研第一次以一種可連續(xù)運轉的系統(tǒng)形態(tài)，正式進入現(xiàn)實。

但如果把放大鏡再壓近一層，當前階段的天花板同樣清晰可見。

FARS 很會把一條合理路徑走通，卻還不夠擅長在復雜假設空間中做出真正具有突破性的研究取舍；能完成結構完整的論證，但在思想壓強和機制洞察上仍有提升空間；而在算力利用率上，系統(tǒng)也還停留在明顯的「算力換智能」階段。

此刻的 FARS，更像一位極度勤奮、訓練有素且從不疲倦的初級研究員，距離那種能夠穩(wěn)定打出頂會級工作的成熟研究者，仍有一段需要跨越的進化距離。

不過，真正重要的或許并不是它此刻已經(jīng)多強，而是那條「無限心智生產(chǎn)線」，已經(jīng)可以穩(wěn)定地跑起來。