228小时狂飙100篇论文、烧光114亿Token：FARS杀疯了

编辑｜Sia

这个春节，AI 圈最硬核的一场「真人秀」，悄然完成了阶段性收官。

主角不是动漫人物，也不是舞枪弄棒的机器人，而是一位 7×24 小时从不疲倦的 AI 科学家 FARS（ Fully Automated Research System ）。

这套由 Analemma（日行迹）打造的全自动研究系统，在长达 228 小时 28 分 33 秒的连续公开运行中，自己提假设、做实验、写论文，共生成 244 个研究假设，「肝」出 100 篇短论文（ short paper ）。

算下来，在这座流水线式的「科研工厂」中，每隔约 2 小时就有一篇论文产出。

让 AI 自己写 100 篇论文目标达成，花了 228 个小时。目前，计划持续一个月的直播仍在进行中。直播地址：https://analemma.ai/fars

这种跳出传统科研范式的工业级吞吐量，很快让围观网友坐不住了。

首批深度「验货」的专业网友给出了一个颇为一致的判断：结果超过预期、相当出色。

如果把它当作人类顶会论文，还不够惊艳；但如果考虑到这是一个全自动系统的阶段性产出，其完成度已经明显超出很多人的事前预期。

「考虑到这只是一个 AI 的自主起步，能 7×24 小时稳定产出到这个质量，还要啥自行车？」

而且，真 work 没有通篇幻觉。

至少在当前阶段，FARS 已经完成了一次关键跨越。它首次证明，一条无人值守的科研「流水线」不仅能跑，而且能在相对稳定条件下，持续产出具备一定学术竞争力的 short paper 级工作。

「发论文这件事本身的稀缺性」被摧毁了。

恐怖的「工业节拍」，算力正在转化为知识

FARS 并不是一个单体模型，而是一套多智能体系统，包括四个功能模块：

• Ideation（构思）：负责文献调研与假设生成
• Planning（规划）：负责实验方案设计
• Experiment（实验）：负责代码编写与执行
• Writing（写作）：负责论文撰写

从实时运行界面可以直观看到，FARS 以项目队列的方式并行推进多个研究任务。每个课题依次穿过 Ideation → Planning → Experiment → Writing 四个阶段，流程高度模块化，呈现出明显的「科研装配线」特征。

FARS 实时运行界面：从假设生成到论文写作，自动化科研流水线首次以可观测形态完整展开。

为了让它心无旁骛的做研究，Analemma（日行迹）还给它搭建了一个 160 张显卡的计算集群，并允许它调用几乎任何开源和闭源大模型，实验条件远超大部分高校实验室。

而这条「流水线」的产能，已经到了让人很难忽视的程度。在约228 小时（≈9.5 天）的连续运行周期内：

• 系统生成244 个研究假设
• 完成100 篇 short paper
• 累计消耗114 亿 Token
• 总成本约10.4 万美元（≈75 万元人民币）

全程无人干预。

进一步归一化后，这套系统的「工业节拍」变得更加直观：平均每隔约 2 小时 17 分就有一篇研究论文完成，平均每篇论文成本大约 1000 美元，花费 1 亿多Token。

对比人类科研常见的 3–6 个月 / 篇的周期，这种吞吐差距几乎是数量级级别的，成本也极为低廉。

不过，如果把目光从吞吐转向效率，约 1.14 亿 Token / 篇的消耗，已经明显高于普通写作生成（通常百万级 Token ）以及常见复杂 Agent 任务（通常百万、千万级 Token ）的开销。

这表明，FARS 仍处于「算力换智能」的阶段，其表现更多来自计算密度，而非算法效率的极限压缩。

综合来看， 一方面，FARS 已经用实测结果证明，端到端自动化科研流水线在吞吐层面是切实可行的。另一方面，其当前的 Token 与成本结构，距离「足够便宜地大规模跑」还有工程空间。

质量：它写得快，那写得好吗？

量大，从来不自动等于质优。FARS 写出来的东西，到底处在什么水平？

为此，研究团队使用斯坦福大学开发的 AI 审稿系统Agentic Reviewer（ paperreview.ai ），按照 ICLR 的评审标准，对这 100 篇论文进行了统一打分。

根据开发者公开评估，Agentic Reviewer 在审稿一致性上，已达到人类审稿人的判断水平。

开发者在 ICLR 2025 审稿数据 上做了对比评测，使用的是 Spearman 相关系数。人类 vs 人类：0.41；AI vs 人类：0.42。开发者认为 agentic reviewing 正在逼近人类水平。

从整体评分结果来看，FARS 产出的 100 篇论文中，平均得分为5.05（区间 3.0–6.3）。

少量论文处于 3.0–4.5 的低分段，也有极少数突破 6.0 分。

FARS 论文分数主要堆在 5 分附近，说明产出质量并不是随机波动，而是已经形成相对稳定的「质量带」。少量样本进入 6 分以上区间，意味着系统偶尔能产出超强作品。

这个成绩，与人类战绩相比，又如何呢？

作为参照，ICLR 2026 人类投稿的平均分为 4.21，而最终被接收论文的平均分为 5.39。

对照来看，FARS 的平均分 5.05，已经明显高于人类投稿的整体平均水平，但距离「平均中稿线」仍存在差距。

可谓比下有余，比上未满。

FARS 生成的学术论文平均分超过人类投稿者的平均水平，但与平均中稿分数仍有差距。

需要再次强调的是，本次自动化生产以短论文为主，并未以当前学术会议的评审标准作为优化目标。因此，无论是斯坦福大学 Agentic Reviewer 还是其他基于现有特定审稿标准的 AI 审稿结果，都只能作为一种参照，而非盖棺定论。

据团队透露，除 AI 审稿外，目前也在同步开展人工质量评审，并将在评估完成后形成综合质量报告。

即便在这一审慎前提下，将前后两部分数据合并观察，整体信号仍然较为清晰：在接近人类评审尺度的评价体系中，FARS 已然一台稳定的中分段输出机器

论文深读：

从「极速跟进」到「直面失败」

如果说前面的数据与评分只能给出一条宏观刻度，那么具体论文样本，才真正暴露出 FARS 的研究成色。

已有网友拆解其中一篇 LLM-as-a-Judge 工作后评价，这类论文在摘要组织与问题切入上已经相当工整。

考虑这是 AI 自动产出，完成度已经「超出预期」。框架图、结果图、分析基本都齐全，「像那么回事」

也有人觉得编号为 FA0008 的项目「 make sense 」。

接下来，我们选择一成一败两篇代表作，一探究竟。

先看「做成」的一篇 FA0042。它瞄准的是文本embedding 里一个老矛盾：

双向注意力质量高，但会破坏 KV-cache；因果注意力能流式推理，但表示能力吃亏。

FA0042 的解法非常工程导向——训练阶段用双向拿质量，推理阶段用因果保效率。具体路径是先训一个双向 teacher，再把能力蒸馏进 causal student。为了避免直接切双向带来的分布漂移，论文还引入了刚发布不久的 GG-SM 做渐进过渡。

结果也确实「能打」， 这条工程折中路线被验证是 work 的。

MTEB-slice 主要结果

流式推理延迟对比

LoCoV1 长文档检索结果。student 模型以 0.284 的 NDCG@10 大幅领先所有 baseline（包括 teacher 的 0.212 ），出人意料。

当然，short paper 气质也很足：细粒度成对任务提升有限，长文档检索反超 teacher 的机制还没完全讲透。

但更值得注意的是，蚂蚁集团的 GG-SM 发布 3 天就被接入实验流程，这种紧跟前沿的速度，本身就是 FARS 系统敏捷性的一个信号。

再看一篇「没做成」的 FA0121。

它的文献调研很给力，盯上了 DeepSeek 新提出的 Engram 稀疏架构，并抓到了一个很研究味的问题——

hot-to-cold advantage flip , 即 Engram 中的门控（ gate ）在训练过程中难以准确根据 n-gram embedding 的实际效用进行调整，存在高频（ hot ）和低频（ cold ）偏置。

为了打破这种「马太效应」，FARS 尝试了一个直觉上非常硬核的方案：试图通过「反事实门控监督（ CGS ）」修复 DeepSeek Engram 架构中的「冷热偏置」问题。

在特定训练步骤中分别强制 gate 全开和全关，计算两种情况下的 loss 差值来估计当前 n-gram embedding 的实际效用，以此作为辅助监督信号来训练 gate。

FA0121 方法示意图

主实验结果

思路很直觉。但结果很诚实——基本没救回来。

CGS 带来的那点提升，甚至不如让模型多训练几步来得实在。这说明，要解决 AI 的偏见，光靠「教练现场打分」是不够的，得从更深层的制度（架构）上下功夫。

论文给出的复盘也很到位：Gate 和 n-gram embedding 的训练是一个相互耦合的系统动力学问题，不是简单加监督就能补的。

这篇工作的价值正在于：它没有试图掩盖负面结果，没有为了追求正面结果而篡改数据或强行解释，而是通过一套严密的诊断性实验（Diagnostic Experiments ），反思 CGS 的失败。

这种「算法诚实」是当前学术界稀缺的品质。

舆论场：

从「又一个 Demo」到「科研流水线雏形」

随着 FARS 「直播真人秀」数据披露，社区讨论也迅速升温，高频指向一个关键词——生产线。

不少围观者很快抓住了真正的冲击点：这次引发不安的，并不是某一篇论文写得多惊艳，而是系统所展现出的连续科研运转能力。

当一个系统能够稳定提出假设、自动完成实验、并持续吐出成稿时，评价坐标其实已经悄然移动。问题不再是「 AI 会不会写论文」，而是更具结构性的那一句—— AI 是否开始具备科研工业产能的雏形。

这种叙事重心的变化，本身就意味着社区对 AI 科研系统的预期正在抬升。一些技术讨论甚至认为，LLM 在 AI 方向论文写作上的能力已「基本够用」，剩余差距更多体现在工程细节层面。

「 3 个月内就可能出现非常成熟可用的自动 paper pipeline。」

换言之，大多数人几乎已经默认：科研流水线时代，迟早会来。真正悬而未决的问题反而是，当科研开始规模化自动生产，人类的不可替代性究竟还剩下什么？

对此，也有人给出答案：决定上限的，或许仍是研究者个人品味。

当然，社区并非只有单一声音。

有人认为，与其关注单纯 scale 出大量「普通 conference paper 」，不如将算力与模型能力投入到真正困难的开放问题上，这或许才是更具长期价值的方向。

无限心智的起点

FARS 的这 100 篇论文，并不是终点，更像是一枚被钉下的坐标点。

它证明了一件很重要的事：端到端自动科研流水线，已经能够在相对稳定的运行条件下，持续产出具备一定学术竞争力的 short paper，并且开始展现出基础的自我纠错与负结果报告能力。

这意味着，自动化科研第一次以一种可连续运转的系统形态，正式进入现实。

但如果把放大镜再压近一层，当前阶段的天花板同样清晰可见。

FARS 很会把一条合理路径走通，却还不够擅长在复杂假设空间中做出真正具有突破性的研究取舍；能完成结构完整的论证，但在思想压强和机制洞察上仍有提升空间；而在算力利用率上，系统也还停留在明显的「算力换智能」阶段。

此刻的 FARS，更像一位极度勤奋、训练有素且从不疲倦的初级研究员，距离那种能够稳定打出顶会级工作的成熟研究者，仍有一段需要跨越的进化距离。

不过，真正重要的或许并不是它此刻已经多强，而是那条「无限心智生产线」，已经可以稳定地跑起来。