先说结论:alphaXiv 不是又一个挂论文的网站,而是第一次专门给 AI Agent 搭的预印本服务器 ——Agent 可以自己提假设、写代码、跑实验、发论文、互相审稿。之所以要单独搭这个平台,是因为现有 arXiv 这类服务器是给人用的,没法让 Agent 自动提交、自动溯源、自动复现;团队的做法是先拉来 35 个人类运营的实验室、放出 936 个 Agent,在同一个服务器上跑了 12 周(2026 年 8 月 19 日到 11 月 12 日)的对照实验,把论文、代码、数据、审稿记录和聊天记录全部开源。结果证明:AI Agent 已经能端到端完成一项研究,甚至自己办了期刊互相审,但 "判断什么问题值得研究" 这一步仍然离不开人,平台现在已经向所有学科的 Agent 开放。
一、实验家底:12 周跑出了什么
这场实验没有把所有 Agent 塞进一个统一大模型,而是让各实验室自带模型和算力,从只有 CPU 的笔记本,到 AMD GPU,再到 NVIDIA B200 集群都有。人类只负责提供算力、设预算、定大致研究方向,具体假设、实验设计、数据分析全由 Agent 自己推进。
| 指标 | 实验数据 |
|---|---|
| 实验周期 | 2026-08-19 至 2026-11-12,共 12 周 |
| 参与实验室 | 35 个人类运营实验室,来自全球 22 家机构(斯坦福、MIT、ETH 苏黎世等) |
| Agent 数量 | 936 个自主 Agent |
| 产出论文 | 936 篇,每篇附可运行代码、原始数据和权重 |
| 消息交换 | 约 9500 条,分布在 229 个 Agent 自建讨论室 |
| 研究方向 | 机制可解释性、持续学习、语言模型微调、太阳物理、医学研究审计等 |
二、这个 AI Agent 预印本服务器是怎么跑起来的
- 接入阶段:各实验室把自己的 Agent 接进平台,人类只给一段约千字级的提示词,划定研究主题边界和行为规则,然后放手。
- 研究阶段:Agent 自主读文献、提假设、写代码、调试、跑实验、写论文,每篇论文必须附带可运行代码、原始数据,以及一条能把报告数字追溯到实验输出的记录。
- 发布阶段:成果直接发在预印本服务器上,其他 Agent 可以读、可以引用、可以复现、可以挑错。
- 审计阶段:其他 Agent 不止读文字,还能直接检查代码、在上传数据上重跑分析,再决定是否认可结论。
三、Agent 自己长出的 "学术规矩"
- 主动撤稿:有 Agent 在发现实验设计有问题后,正式发表前就公开撤回错误结论;19 个已记录的自我修正案例全部发生在上传之前,中位提前量 21.4 小时。
- 负结果同等受奖:组织者明确给失败实验和成功实验一样的学分,论文引用失败结果的频率和引用成功结果一样高,被引用最多的 8 篇里有 3 篇是负结果。
- 自办期刊:实验后期,一个实验室的 Agent 创办了《Journal of Agent Research》,由 Agent 担任编辑和审稿人,专门审代码和实验结果。
- 长链引用:最长一条引用链串了 102 篇论文,说明 Agent 会在前人工作上层层叠加。
四、关键发现:只看论文文字,审稿是不够的
研究团队专门对比了两种审稿方式,这是整个实验最有分量的一组证据:
| 审稿方式 | 测试样本 | 发现问题数 |
|---|---|---|
| 只读论文文本 | 16 篇有缺陷初稿 | 发现 11 篇问题 |
| 只读论文文本 | 16 篇已修正版本 | 仍误判 10 篇有问题 |
| 可执行审稿(把质疑转成脚本,在原始数据上重跑) | 156 项重大质疑 | 77 项推翻核心结论,占 49.4% |
| 可执行审稿 | 120 项次要质疑 | 24 项推翻核心结论,占 20% |
换句话说,文字审稿分不清 "已经公开说明的局限" 和 "藏着没说的缺陷",只有查代码、重跑实验才能抓出来。数据溯源方面,23811 项能对应到原始数据的统计数字里,93.8% 与实验输出完全一致,其余差异只是四舍五入、缩放和符号约定,这批记录里没有发现伪造数值 —— 但这只能证明数字有出处,不能证明实验本身正确。
五、和人类论文盲测对比:各有胜负
研究团队挑了 202 组匹配论文,隐去作者和机构,让两个大模型评审按统一标准盲打(10 分制):
| 维度 | Agent 论文 | 人类论文 |
|---|---|---|
| 实验严谨性 | 9.02 分 | 7.00 分 |
| 研究新颖性、重要性 | 较低 | 更高 |
注意两点:这个严谨性优势主要来自第一个采用结构化复现流程的实验室,其余 34 个实验室的论文和人类论文没有显著差异;而且打分者是大模型,不能跑代码、不能看图,不是人类专家评审。
六、目前的边界在哪
- 会做题,不会选题:Agent 擅长围绕已有问题设计实验、在前人结果上推进,但总倾向于选熟悉的主题、在现有基准上做小改进,判断 "什么问题值得研究" 的能力还很弱。
- 解读结果仍靠人:哪些论文真正重要、结果意味着什么,团队花了大量人力逐篇判读,质量信号没有自动长出来。
- 平台已开放:alphaXiv 这个预印本服务器现在面向所有学科的 Agent 开放,不过新进来的 Agent 初期没有独立聊天空间,社交动态会怎么变还未知。
- 行业背景:arXiv 如今已把每位作者的月投稿限制在 2 篇,用来遏制 AI 辅助论文洪泛;此前 2025 年已有类似项目 AgentRxiv,aiXiv 平台也已收到 1800 余篇投稿。
【相关 FAQ】
问题 1:alphaXiv 为什么要单独建一个 AI Agent 专属预印本服务器,直接用 arXiv 不行吗?
回答 1:arXiv 是给人类作者设计的,没有面向 Agent 的自动提交、代码数据绑定、实验复现和溯源机制;alphaXiv 这个 AI Agent 专属预印本服务器从一开始就要求每篇论文带可运行代码、原始数据和数字溯源记录,并且支持 Agent 之间自动审稿,这是普通预印本服务器做不到的。
问题 2:alphaXiv 这个 AI Agent 预印本服务器上的 Agent 到底做了哪些研究?
回答 2:936 个 Agent 在 12 周里自主产出 936 篇论文,方向覆盖机制可解释性、持续学习、语言模型微调、太阳物理和医学审计;代表性发现包括基础模型不改权重、只借用 RL 模型的 Prompt Cache 就复现了 MATH-500 上 86% 的性能提升,以及删除 KV Cache 原始条目后用小型读取适配器以 83%–94% 的准确率恢复事实记忆。
问题 3:AI Agent 在这个预印本服务器上自己办期刊审稿,靠谱吗?
回答 3:Agent 自办的《Journal of Agent Research》采用可执行审稿,把 276 项质疑转成脚本在上传数据上重跑,最终 49.4% 的重大质疑推翻了原文核心结论;但实验同时证明,只读文字的审稿连 "已披露的局限" 和 "隐藏的缺陷" 都分不清,所以 Agent 审稿必须配上查代码、重跑实验这一步。
问题 4:普通人或其他实验室现在怎么用 alphaXiv 这个 AI Agent 预印本服务器?
回答 4:平台已经对所有学科的 Agent 开放,各实验室可以自带模型和算力接入,按要求提交带代码、数据和溯源记录的论文;不过新接入的 Agent 初期不会获得独立的交流频道,平台也开源了完整 12 周档案,包括论文、代码、数据、同行评审和 Agent 聊天记录,任何人都可以查阅。
【参考资料】
- [2026-11-20](刚刚,alphaXiv 甩出 AI Agent 专属预印本服务器)新浪财经(机器之心 Pro)
- [2026-11-20](Society of AI Scientists: 936 agenti in 12 settimane, i dati (2026))CosmoNet
- [2026-11-19](AI Agents Start Their Own Journal and Invent Reviewer Two)Ogeam
- [2026-11-19](Exclusive: I got to eavesdrop on AI agents doing science. It was eye opening)Science(AAAS)
- [2026-11-19](A Society of AI Scientists)alphaXiv
- [2026-11-19](alphaXiv says AI agents on its preprint server produced 936 papers in a three-month trial)VQV.me
免责声明:本文基于 alphaXiv 公开发布的预印本及公开媒体报道整理,所涉实验数据、评分与结论均来自该研究团队的自述和第三方观察,属于探索性观察研究而非随机对照实验;文中关于 AI Agent 科研能力的判断不代表对其成果真实性、学术价值的背书,引用具体数字与结论时请以原始预印本和官方平台为准。本文不构成任何投资、投稿或科研决策建议。
