ScientistTwo — исследовательский ИИ-агент от команды Google Cloud AI Research, который проводит научную работу от начала до конца сам: придумывает идею, ставит эксперименты, пишет статью и сам же её рецензирует. На сайте проекта выложены результаты: 86 сгенерированных статей по восьми областям ИИ, препринт на arXiv, код и демо. Полезно тем, кто следит за автоматизацией науки — исследователям, ML-инженерам и всем, кому интересно, насколько далеко зашли агенты в реальной research-работе.
Главная цифра проекта: на 107 исследовательских задачах, взятых из свежих публикаций топовых конференций, агент обошёл человеческий state-of-the-art в 86 случаях. Это 80,4% успеха при среднем относительном улучшении 25,2%. Задачи охватывают больше десяти направлений — большие языковые модели, робототехника, нейронауки, речь, робастность, обучение с подкреплением, теория игр, приватность, оптимизация, временные ряды.
Внутри работает замкнутый цикл из шести групп агентов. Генератор идей выдвигает и развивает гипотезы, Evaluator отсеивает их на срезах бенчмарков, прежде чем тратить вычисления на полный прогон, Analyzer проводит ablation-исследования и отбрасывает бесполезные компоненты метода. Дальше подключаются Writer, агент-рецензент и мета-ревьюер: рецензент критикует черновик, агент-ребаттала отвечает не правками текста, а новыми экспериментами, которые сам придумывает и кодит, а мета-ревьюер гоняет цикл заново, пока рукопись не пройдёт планку принятия.
Качество статей мерили двумя автоматическими рецензентами — ScholarPeer и Stanford Agentic Reviewer. Средние оценки 7,5 и 5,7 из 10, что выше средних значений для принятых работ ICLR 2026 и NeurIPS 2025 по обеим шкалам. Под ScholarPeer accept rate составил 91,9%, под более строгим Stanford Agentic Reviewer — 72,1%, при том что все конкурирующие агенты (AI Scientist-v2, DeepScientist, Zochi, ScientistOne и другие) получили там ровно 0%. Уровня ICML Spotlight агент пока не достаёт — авторы это честно указывают.
Отдельная часть проекта — проверка на честность. CoE Integrity Audit перезапускает выложенный код и сверяет каждое заявленное число, ищет нарушения условий задачи и reward hacking, проверяет существование всех ссылок и построчно сопоставляет описание метода с реализацией. Итог по всем четырём проверкам: 49 из 49 по воспроизводимости оценок, ноль нарушений спецификаций, ноль выдуманных ссылок из 1814 и полное соответствие метода коду.
Сайт работает как витрина исследования: можно выбрать домен, открыть конкретную статью и посмотреть PDF прямо в браузере, скачать демо PolarisGo в MP4 и почитать препринт. Платных тарифов и доступа к самому агенту здесь нет — это публикация результатов, а не сервис по подписке.
Блог