科研AI出了个狠角色：开源30B小模型，硬刚Gemini和Claude

允中 发自 凹非寺
量子位 | 公众号 QbitAI

大模型会写论文，但它真的懂科研吗？

很多时候，AI只是在“扮演”科学家——引文献、列逻辑、排格式，看起来有模有样。但只要深究，会发现全是破绽：逻辑靠编，推导靠蒙，结论是否正确全看运气。

就在最近，此前发布过BabyVision多模态评测基准的UniPat AI，甩出了一个硬核的开源项目：

UniScientist

这个模型参数只有30B，却可以实现“提出假设-收集证据-执行可复现的推导-迭代验证直至结论成立”这一环路的闭合。

在FrontierScience-Research和ResearchRubrics等权威科学研究榜单上，它匹敌甚至超越了参数量大一个数量级的顶尖闭源模型。

一个30B的模型，凭什么跑通复杂的科研闭环？

它的核心突破在于：将AI建模为一个动态系统。通过自主构建的数据引擎，UniPat AI成功将开放式的科研难题转化为了可验证的“单元测试”

接下来，我们速速拆解一下UniScientist背后的逻辑。

“会写报告”不等于“会做研究”：实现流程闭环才是能力

今天很多模型做“研究任务”，只是看起来像在做科研：引用一堆资料、写一堆逻辑、格式也像论文。

但问题是：它们经常停在“叙事推理”、从“结论”出发的逻辑陷阱中，也就是说得很像，但是验证很少、推导不稳、可复现性弱。

UniPat AI在UniScientist中直接回应了这一技术缺口：仅有30B参数的UniScientist具备了“自主科学研究”的能力。

它能在开放问题里不断提出科学假设、证伪错误推论、修正研究路径，直到证据状态稳定，再把全过程沉淀为标准化的结构化科研成果。

这背后的潜台词很直白：

• 真正的科研，不只是把报告写漂亮，更是把“假设-证据-验证”的循环跑通。

数据瓶颈：人写得太慢，纯合成不够“真”

UniScientist首先把矛头指向了数据：如何构建高质量的科研训练数据，一直是硬瓶颈。

然而现有方案几乎只有两种极端：

• 纯人工：生态真实、判断精准，但又贵又慢，还受限于单一专家的学科边界；
• 纯合成：规模巨大、成本低，但常缺少可判别的精度和学科落地的真实性。

UniScientist的关键洞察，源于一个被广泛忽视的不对称性。

• 大语言模型更擅长生成：能跨学科大规模地提出候选研究问题和解法草案；
• 人类专家更擅长验证：鉴别研究的真伪和质量，其成本和难度远低于从零创造，且能提供高精度的专业深度校验。

这种不对称性指向了一种更高效的分工方式：模型负责规模与多样性，人类专家负责质量与可验证性

这正是UniScientist数据引擎的核心原则，即产出的训练实例既有广泛的专业覆盖面，又有严格的验证保障。

形式化科学研究：证据状态与溯因假设的动态系统

许多关于“科研智能”的讨论，都聚焦在更好的工具调用或更精准的检索上。

UniScientist则在更本质的层面展开工作，该团队将开放式科研过程建模为基于两个基本操作的动态系统：

• 主动证据整合（Active Evidence Integration）
• 模型溯因（Model Abduction）

系统的核心是一个不断演化的“证据状态”，其中证据被分为两类：

• Evidence-Grounded（可独立核验的证据）：来自外部权威来源，或内部产出但经过明确检查验证；
• Formally-Derivable（可形式化推导/复现的证据）：通过符号推导、数值计算、仿真实验等可复现程序得到。

然后系统循环执行三个动作：

1. 产生假说；
2. 获取外部权威信息证据、计算和推导证据；
3. 做溯因更新：让假说更好解释当前证据状态。

直到证据足够完整稳定，再把整个研究过程转化成一份严谨的科学成果。

这一形式化过程具有重要意义：它能把“科研智能”从一个远大的理想，变成可训练、可评估、可迭代的对象。

把开放的科学研究问题变成“可验证的单元测试”

UniScientist提出了Evolving Polymathic Synthesis（进化式多学科合成），这是一个承担两项功能的数据引擎。

1. 其首要功能是从专家验证的科学命题（Claim）出发，将其扩展为研究级课题——通过构建多个相互依赖的子问题，实现实验设计与逻辑推导的深度协同；
2. 同步合成评测Rubrics。这些Rubrics不评估文风或格式等表面质量，而是评估具体的科学发现是否已被达成。

这一设计中，最具辨识度的特征是：

• 一份开放式科研成果被分解为N个封闭的、可独立验证的Rubric检查项。

每个Rubric item都尽量做到：原子化、客观、可证据落地或可形式化推导，并额外强调以下三点：

• 一致性（对相同科研成果，重复评测应稳定）；
• 区分度（能拉开不同完整度的差异）；
• 原子性（单条rubric只校验一个知识点）。

当前数据集仍在持续扩展中，已包含超过4700个研究级实例，每个实例附有20+条Rubric项，覆盖50+学科和400+研究方向。专家标注平均每条样本投入1-2小时。学科覆盖从量子物理和有机化学、到社会文化人类学和计算语言学均有涉及。

数据集中包含了具备真实科研质感的研究问题。下图展示的是一个生态学方向的示例，完整案例库可在https://unipat.ai/blog/UniScientist查阅。

这些问题的共同特征在于：没有任何一道问题，可以通过匹配记忆中的既有答案来直接解决。每一道都要求完整的科研链条——包括文献调研、假设形成、实验或推导设计、分析验证，以及最终成果的收敛。

30B小模型比肩最大规模闭源系统

UniScientist引入了一个额外的训练目标——成果聚合目标

• 给定同一问题的N份候选科研成果，模型学会融合各家优点，产出一份更完整、更稳健的最终成果。通过Rubric阈值的rejection sampling来筛选高质量参考答案，聚合能力与科研生成能力一同被训入模型。

这反映了科学研究中的一个现实：对于一个问题，一次尝试并不一定会带来最好的成果。

这实际上是将“集体科研智能”写进了训练过程：模型不仅学会了产出研究，还学会了比较、取舍、整合与自我进化。

评测结果引人注目，尤其考虑到模型的规模。

UniScientist-30B-A3B（一个仅有3B激活参数的小模型），在FrontierScience-Research上达到28.3分，得分超越以下模型：

• Claude Opus 4.5（17.5）
• Gemini 3 Pro（12.4）
• GPT-5.2 xhigh（25.2）
• DeepSeek V3.2 w/tools（26.7）和Seed 2.0 Pro w/tools（26.7）

在成果聚合模式下，UniScientist得分甚至达到33.3

而在FrontierScience-Olympiad上，启用工具的UniScientist得分为71.0，匹配Claude Opus 4.5，超越多个其他前沿模型。

更是在多项分布外的基准——DeepResearch Bench、DeepResearch Bench II和ResearchRubrics上，UniScientist的表现与一系列顶级闭源系统实力相当。

一个尤为重要的发现：即使在无工具的评测条件下，性能仍有显著提升

这表明增益并非单纯来自更频繁的工具使用，模型自身的研究推理能力确实通过训练得到了增强。

以上所有基准上的结果，均指向同一结论：模型学会的不只是更好地检索，而是将检索、推导、验证和写作整合为连贯的研究工作流。

UniScientist的下一步：迈向现实世界实验

科学研究不止于形成一个合理的叙事，许多结论依赖于可执行、可复现的计算与仿真。

UniScientist集成了代码解释器，将研究流程从叙事式推理升级为“测试-修正”的循环：假设不仅被提出，还被实例化为计算实验——其结果可以确认、推翻或细化假设。

系统目前的能力主要集中在可复现推理与仿真计算范围内

目前，系统尚未实现对真实世界研究资源的编排，包括大规模GPU任务的可靠调度、以及湿实验流程的协调。

在Blog中，UniScientist也将下一步方向阐述得很清晰：

将框架扩展到对真实实验与计算基础设施的受控编排与执行，目标是进一步加速科学发现、推动研究前沿。

以下展示一个UniScientist进行的完整科研推理链条，详细推理内容可以在Blog链接中进行查阅。

开源地址：
https://github.com/UniPat-AI/UniScientist
Blog:
https://unipat.ai/blog/UniScientist