科研产物的 RSI：让每一次改进接受检验

一个算法已经能跑，是否还能更快、更准确，或用更少的空间？一份方案已有雏形，能否在明确标准下继续改进？科研产物的 RSI 将“修改—评价—再修改”变成有记录的搜索过程。

在 ScienceDiscovery 中，这项能力通过 /evolve-design 发起。这里改进的是程序或其他可评价的文本产物，模型权重并不会因此被训练或更新。你定义什么叫“更好”，系统生成变体、逐个评分、保留有效方案，最后再检查它们在留出数据上的表现。

先找到一把有用的尺子

搜索可以不断产生新代码，但只有评价标准能够告诉它哪些修改值得保留。例如，文本压缩任务首先要求解压后完全还原原文，在此前提下再比较压缩后的字节数。若只奖励文件小，丢弃输入反而可能得到高分。

系统支持用数据指标、测试套件、自定义脚本或模型评审来评价候选。适合哪一种，取决于你的目标能否直接测量。代码可以运行测试；文本方案可能需要清楚的评分细则。模型评审带有波动，不能当成精确测量。

启动前的探针会检查评分方案能否区分正常与被破坏的候选、是否存在改进空间等问题。这能帮助发现明显失效的评价设计，但不能保证指标已经完整代表科研目标。

PUCT 将候选组织成树，在继续打磨有希望的分支和探索其他方向之间分配尝试。OpenEvolve 使用种群与归档保留不同类型的候选，适合希望同时探索多种路线的任务。两者共用评分与交付流程。

选择搜索引擎

运行面板展示候选、分数和演进关系。一次失败的候选也有价值：它告诉你某条修改路线没有通过检验。搜索不保证每次都超越起点；保留原方案可以是合理结果。

搜索过程中用于比较候选的数据，与最终的留出测试数据分开使用，评分器在同一次搜索中保持冻结。这样的安排减少了反复挑选候选对最终评价的直接影响。

留出分仍然只描述所选测试数据上的表现。数据过窄、评分上限过早饱和，或指标偏离真实需求，都会限制分数的意义。解释结果时，应同时查看起点、搜索评分和留出评分，而不是只报一个最高值。

比较起点与改进版本

找到改进后，产物版本和代码差异帮助你回答“究竟改了什么”。你可以下载结果、复核评测，或以已有版本为起点继续探索。这种小步迭代尤其适合已经有可运行起点、又能明确评价改进的任务。

Idea Tree 侧重比较研究方向与方案；RSI 侧重围绕一个可评价产物反复优化。二者可以用于不同研究阶段，但不会自动串成一条完整实验流程。