清華發布AutoSOTA：一周刷新105個頂會SOTA，推動AI科研回歸本質

在人工智能研究中，許多研究者將大量時間投入到為那 1% 的性能提升反復調參與實驗迭代之中。

一個越來越值得重視的問題是：人類科學家最寶貴的直覺與創造力，是否正被困在無止境的「增量式優化」中？

SOTA（State-of-the-Art，當前最佳水平的 AI 模型）長期被視為衡量研究價值的「金標準」。

當一篇學術論文刷新 SOTA 時，人們看到的，往往只是結果的躍升。但在結果背后，真正支撐起一次次「當前最佳」的，往往不是某一個瞬間的靈感，而是此后持續數月甚至數年的高強度實驗迭代、參數調整與工程優化。

以 Transformer 架構的發展為例。自 2017 年問世以來，全球科研人員圍繞這一架構投入了大量人力與算力，不斷提出新變體、設計新模塊、優化訓練策略，才最終將其在通用語言理解評測集 GLUE 上的性能從約 75% 提升到 90% 以上。

Transformer 架構在 GLUE 評測集上的性能爬升

問題在于，這些優化工作雖然重要，卻并不總是最值得由人類科學家重點投入的那一部分。

如果最優秀的科研人才被長期綁定在重復性的性能優化中，那么那些更具原創性、更需要長期思考的問題，誰來持續投入？

AutoSOTA 讓 AI 科研自動化走向端到端閉環

正是在這樣的背景下，在近期召開的中關村論壇上，清華大學與北京中關村學院聯合發布研究成果 ——AutoSOTA。

目前，AutoSOTA項目已發布預印本論文。

論文地址：https://arxiv.org/abs/2604.05550

AutoSOTA 面向端到端的 AI 科研自動化，致力于通過科研智能體加速高強度、重復性的實驗迭代與優化過程，將研究者從持續的性能打磨中解放出來。

AutoSOTA 研究問題框架

不同于現有的代碼優化框架，AutoSOTA 并不是對單一實驗環節的局部加速。它將 AI 智能體的賦能邊界進一步延伸到實驗準備、實驗執行等底層繁瑣任務，以及研究思路生成等頂層構思環節，旨在實現從已有 SOTA 到新 SOTA、從現有代碼倉庫到新代碼倉庫的端到端 AI 科研自動化。

AutoSOTA 端到端 AI 科研自動化系統

AutoSOTA 采用多智能體協作框架，借鑒人類算法研究中的分工流程與協作邏輯，使不同科研智能體能夠圍繞同一目標開展協同設計、實驗執行、結果分析與方案迭代。

與此同時，AutoSOTA 配備了完善的工具庫（Toolkit）與技能集（Skill Set），不僅能夠處理實驗運行中的復雜狀況，還能夠完成文獻調研、思路生成、方案設計等高層次任務，從而在頂層規劃與底層執行之間形成閉環。

這意味著，AutoSOTA 所追求的并不只是「把實驗跑得更快」，而是真正推動 AI 科研自動化從單點輔助走向系統化、持續化、智能化的科研協作過程。

一周時間，發現 105 個性能顯著提升的 SOTA 模型

在為期一周的實驗中，AutoSOTA 以前一年 AI 頂會論文中的優秀成果為基礎，自動發現了 105 個性能顯著提升的模型方案。其中，超過 60% 的模型具有新穎的結構設計，平均性能提升接近 10%。

基于AutoSOTA的大規模SOTA AI模型發現

項目地址：https://tsinghua-fib-lab.github.io/AutoSOTA/

這組結果的意義在于，AutoSOTA 并非只是沿著既有路徑進行簡單搜索，也不局限于參數組合層面的窮舉式優化。它在優化性能的同時，展現出一定程度的結構創新能力，能夠在已有研究基礎上繼續挖掘新的設計空間，發現兼具性能提升與結構新穎性的模型方案。

AutoSOTA 的意義，不止于「再提幾分」

AutoSOTA 的意義，不僅在于獲得了一批新的 SOTA 結果，更在于它啟發人類科學家重新審視科研創新的本質：SOTA 性能的刷新，是否等同于重要的科學突破？

AutoSOTA 啟示我們進一步思考：如何將人類科學家最寶貴的注意力，從重復性的實驗迭代中重新釋放出來，回歸到更具原創性、也更需要長期判斷與創造力的研究問題上？

一種可能的人智協作模式是：由科研智能體系統承擔大量重復性、密集型、長周期的優化過程，由人類科學家聚焦于提出問題、定義方向、識別機會與構想機制。在這一意義上，AutoSOTA 更像是一種面向科研流程的「創造力放大器」。

它并不是要替代科學家的原創性，而是要把原創性從低效、重復的實驗勞動中解放出來。

AutoSOTA啟發的人智協同科研范式

真正重要的，不是讓研究者永遠停留在「把已有模型再推高一點」的循環里，而是讓他們有更多機會去面對那些尚未被定義、尚未被解釋、也尚未被系統探索的問題。

AutoSOTA 正在朝這一方向邁出關鍵一步。它不僅展示了科研智能體在 AI 研究自動化中的巨大潛力，也讓我們看到，當「性能優化」這項沉重工作逐步被智能體接管之后，科學研究有機會真正回到它最珍貴的起點 ——提出大膽的問題，探索未知的方向，追求不可替代的原創性突破。

項目網站：https://tsinghua-fib-lab.github.io/AutoSOTA/