夯爆了！清北斯坦福联手，SimpleTES横扫21个科学难题

---

  新智元报道  

过去一年，AI圈最疯狂的一个执念，就是让模型想得更久一点。

参数更大，推理更长，链路更深——仿佛只要模型足够聪明，科学发现迟早会像答题一样，被它一步步「想出来」。

但现在，一篇论文狠狠给了这个共识一闷棍。

来自宽德智能学习实验室（Will）、斯坦福大学、北京大学、清华大学和香港科技大学（广州）的研究团队，提出了一个名字不算响亮，但野心极大的框架——SimpleTES（Simple Test-time Evaluation-driven Scaling）。

目前，基于 SimpleTES 方法构建的试用平台已经在Will官网上线，前往申请加入就能体验这一全新的科学范式。

项目主页：https://www.wizardquant.com/will/SimpleTES

代码开源：https://github.com/Wizard-Intelligence-Learning-Lab/SimpleTES

SimpleTES发现：AI做科研，光靠「脑子大」不够。

真正厉害的，是把「试错」这件事本身，系统化地放大。

这有多猛？

在涵盖六个领域的21个科学问题上，SimpleTES（运行于开源gpt-oss模型）发现了当前最先进的解决方案，持续超越前沿闭源模型基线和精心调优的优化流程。

我们来看几个例子感受一下。

先看一个超级有意思的数学问题——圆填充。

在单位正方形内放置 n 个互不重叠的圆，使其半径之和最大，所有圆不能重叠也不能超出边界。

这个问题听着像小学数学，实际上是组合优化领域的经典噩梦——圆一多起来，排列组合的可能性爆炸式增长，连专业数学家都只能一点点逼近最优解。

SimpleTES在n=26和n=32两个规模上，双双刷新了已知最佳纪录。

经典的LASSO算法路径求解，几十年来被无数专家反复打磨，SimpleTES用一个开源模型，硬生生把速度提升了超过2倍——

不是微调参数的小优化，而是发现了一种全新的混合算法策略。

基因测序方面。

SimpleTES在单细胞RNA测序去噪任务上，发现的集成去噪算法超越前SOTA，且能泛化到未见过的组织类型。

这，才是真正意义上的AI「做科研」！

今天几乎所有的「AI做科研」，无论是自动写代码、自动调参、还是自动发现数学公式，底层都逃不过这样一个循环：

先提一个方案 → 跑一下实验/验证器 → 看结果 → 根据反馈继续改。

这个循环，科学家们已经干了几百年了。

牛顿干过，爱因斯坦干过，你的毕业设计也在这么干。

但问题在于，过去一年AI圈的所有力气，几乎都花在了「怎么让模型在第一步就想得更好」上——更长的推理链、更大的参数量、更花哨的Agent架构。

大家都在卷模型的「脑力」，却几乎没人认真去卷模型的科研工作流。

SimpleTES的研究团队看到了这个盲点。

他们问了一个非常朴素、但被整个行业忽略的问题：

能不能不去折腾模型的脑子，而是把「生成候选解→评估反馈→继续改进」这条发现闭环，在测试阶段系统化地放大？

结论是——当然可以，效果还非常好。

这就是SimpleTES。

SimpleTES的核心做法并不玄。

它把整个科研试错过程，拆成了三个最关键的维度，像调音台一样精准控制：

第一板斧：别只走一条路（Global Width，并行探索宽度）

传统做法是让模型沿着一个思路越想越深。

问题是，科研不是做选择题——一开始方向走偏了，后面再怎么深度思考都是南辕北辙。

SimpleTES的做法很简单粗暴：同时开C条独立的探索路线，每条路线各走各的，互不干扰。

就好比你同时派了C个博士生，从不同的方向去攻同一个课题。

总有人能找到正确的路。

论文的实验清楚地表明：沿着单条路线反复精修，性能提升很快就会饱和；但增加并行路线数量C，在同样的总预算下，效果提升是实打实的。

第二板斧：每条路都要持续根据反馈往下改（Refinement Depth，迭代精修深度）

每条探索路线不是一次性生成答案就完事了。

它会反复看评估结果，再修补，再优化，循环L轮。

就像一个真正的科研人员拿到了实验数据：第一版方案效果不好？没关系，看看哪里出了问题，改了再来。

第二版还不行？继续改。

关键是这个「改」不是盲改，而是带着评估器的反馈去改。

第三板斧：每一步先海选再定稿（Local Sample Size，局部候选数量）

每一轮迭代中，SimpleTES不是只生成一个方案就押宝，而是先生成K个候选方案，让评估器全部打分，留下最好的那个作为这一步的「定稿」，再进入下一轮。

为什么要这么做？

因为大模型生成内容天生有随机性。

你让它一次只出一个方案，万一这次手抖生成了一个烂方案，整条路线就被带偏了。

先做一轮「小范围海选」，大大降低了被随机噪声带偏的风险。

总预算公式：N = C × L × K

三个维度一乘，就是总的评估器调用次数。

整个框架的精髓，就是如何在这三个维度之间分配有限的预算，让「试错」的效率最大化。

就像是造了一台通用的「AI探索放大器」。

说得再漂亮，不拿真题验证都是空谈。

SimpleTES的研究团队显然深谙这个道理——他们直接把框架扔进了6个领域、21个开放式科学问题里。

结果几乎每个领域都打出了让人倒吸凉气的成绩。

除了上面列的新发现，再来看几个例子。

先看量子计算。

在超导量子计算机架构上，SimpleTES发现的量子比特路由策略，直接把金标准SABRE算法超了21.7%，改进版LightSABRE也被甩开14.9%。

IBM Q20芯片上，额外的CNOT门开销从60,189暴降到45,441，砍掉了将近四分之一。

换到中性原子架构上照样能打——36个测试电路里改进了34个，平均执行时间降了33.2%。

再说GPU优化。

蛋白质结构预测的核心算子TriMul，SimpleTES写出来的Triton程序在H100上跑到1.122毫秒，击败了所有AI方法。

更夸张的是这套方案还能跨硬件迁移——在A100和MI300上同样打败了公开排行榜的最佳成绩，尤其MI300上直接把对手的2.657毫秒压到了1.352毫秒，近乎腰斩。

批量累积求和上，击败经典cub库平均1.52倍，击败CUDA Agent最高达2.91倍。

算法工程这边更离谱。

在AtCoder启发式竞赛AHC058上，SimpleTES从零开始、没有任何算法先验，发现的多重启模拟退火程序直接超越了所有人类选手的提交，10次独立运行的得分分布完全不重叠，赢得毫无悬念。

数学方面同样生猛。

Erdős最小重叠问题，数学家啃了半个世纪的硬骨头，SimpleTES把得分从前AI最佳的0.380871推进到了0.380856。

自相关不等式任务上，分别推进了最佳人类界限6.79%和0.30%。

组合构造的Sum-Difference问题上，SimpleTES设计的新型构造超过最佳人类结果8.03%，超过Google的AlphaEvolve V2达2.05%。

数据科学领域也没放过。

Scaling Law发现任务上，SimpleTES找到的规律比最佳人类推导的规律，外推拟合度提升了352%，而且发现的Scaling Law可以直接用来指导LLM预训练的超参数选择。

这已经是对工业界有直接价值的发现。

最关键的一点：这些成绩，很多并不是靠最贵的闭源模型堆出来的。

而是用开源模型，通过把「试错→评估→迭代」这条链路组织得足够高效，硬生生挤出来的。

如果说SimpleTES的搜索框架是第一个大贡献，那论文的第二个大贡献，解决的是一个更深层的问题：AI做科研时的「短视症」。

SimpleTES在大规模试错过程中，天然会产生海量的结构化探索轨迹——每一步怎么改的、评估器返回了什么、下一步又往哪个方向调整。

这些轨迹本身就是极好的训练数据。

但如果简单地用传统强化学习的方式训练，模型会学到一个很糟糕的习惯：只盯着眼前的分数。

这在科学发现中是致命的。

真正的科研探索是一个长程任务——早期的「失败」往往是后期突破的垫脚石。

你在第三轮迭代中尝试了一个看起来分数下降的方向，可能恰恰是第八轮跳出局部最优的关键一步。

如果模型被训练成「每一步都要涨分」，它就会变得短视保守，永远在局部最优附近打转，再也不敢冒险。

为了解决这个问题，作者提出了Trajectory-Level Post-training，核心思路是：别让模型学「每一步怎么得高分」，而是让它学「一整条探索路径怎么最终找到突破」。

具体怎么做？三步走。

第一，放弃即时奖励，只看最终突破。

把一整条探索轨迹视为一个完整的rollout，不管中间某一步分数涨了还是跌了，只拿这条轨迹最终达到的最高分作为监督信号，反向传播给轨迹中的每一个节点。

第二，精英轨迹筛选。

基于迭代拒绝采样微调（IRFT），只给总分排名前R%的「精英轨迹」赋予训练权重，其余全部丢弃。

同时截断达到最高分之后的冗余步骤，最大化数据效率——只学成功的探索过程，不学无效的尾巴。

第三，动态演进。引入经验回放缓冲区积累历史轨迹，随着模型能力的提升，动态收紧精英门槛R，促使模型逐步把长程突破的策略内化到自身参数中。

模型越强，对它的要求越高，形成正向循环。

结果相当惊人：训练后的模型，不只在见过的问题上搜索效率更高，在完全没见过的新问题上也能找到原始模型找不到的更强解。

这意味着模型不是死记了几个科研问题的答案，而是真正学会了一种可迁移的科研试错元能力——一种「面对反馈如何做出全局最优决策」的通用直觉。

这才是这篇论文真正让人兴奋的地方：它不仅造了一台搜索引擎，还找到了一种方法，让引擎的使用经验反哺模型本身，形成「越探索→越会探索」的飞轮。

SimpleTES的出现，让我们不得不重新审视AI科研的路线图。

过去，我们把几乎所有赌注都压在了「让模型更聪明」这一条路上。

参数从千亿到万亿，推理时间从秒级到分钟级，成本从美元到千美元——仿佛只要脑子够大、想的够久，科学发现就会从天而降。

但科学发现的历史从来不是这样的。

达尔文不是坐在书房里「想出」了进化论，而是花了二十年在加拉帕戈斯群岛和自家后院反复观察、反复验证、反复推翻自己的假说。

爱因斯坦的广义相对论也不是灵感一闪的产物，而是经历了多年的数学试错和思想实验，被无数条走不通的路「逼迫」出来的。

科学发现的本质，从来都不是一击即中，而是一轮轮试错之后，被逼出来的结果。

SimpleTES捕捉到了这个本质。

它的意义不仅在于当前的实验成绩，更在于它指出了一个被长期忽视的扩展轴线：在「生成侧计算」（模型参数、推理长度）之外，「评估侧计算」（试错循环的深度和广度）同样是一个可以持续投入、持续收获的方向。

当这两条轴线同时扩展的时候，AI做科研的能力上限，可能远超我们今天的想象。

更重要的是，SimpleTES提供的不是一个领域特定的技巧，而是一个跨领域通用的方法论——从量子计算到生物信息学，从GPU优化到纯数学。

同一套框架、同一个开源模型，在完全不同的科学领域里都能打出成果。

这种通用性本身，就已经很说明问题了。

它提出的框架简洁、实验扎实、结论清晰，而且开源了代码，可复现性拉满。

这是一篇很可能会深刻影响「AI for Science」未来走向的论文。

最后，聊聊这篇论文背后的核心力量——Will（Wizard Intelligence Learning Lab，宽德智能学习实验室）。

Will是由宽德投资（WizardQuant）孵化的独立AI实验室，但它做的事情，远不止发一篇论文这么简单。

这个实验室的目标极其明确也极其大胆：实现超级科技助手（ASI for Sci-Tech）。

不是做通用聊天机器人，不是做消费级产品，而是要造出一个能真正辅助甚至驱动科学发现和技术创新的AI系统。

SimpleTES只是这个宏大目标下的第一块拼图。

据了解，Will不只是在做上层的框架和方法论——他们同时在训练自己的基座大模型，从预训练阶段开始构建面向科研场景的底层能力。

他们的野心不是在别人的模型上做应用层包装，而是要从地基开始，打造一套为科学发现深度定制的AI基础设施。

预训练基座+科研方法论+评估驱动的发现引擎，三条线并行推进，这种「全栈式」的投入力度，在国内的AI科研实验室中相当罕见。

Will的理念是「Good Will Hunter，AI向善」——造工具，而非造人，服务科研探索、技术创新与知识生产。

他们要以工业级研发的方式探索AI能力的上限，不止于技术的简单落地，而是面向Sci-Tech场景持续推动能力演进。

Will汇聚了来自斯坦福、北大、清华、港科大等顶尖机构的AI人才，追求的是技术复利与持续性领先——把「让AI学会做科研」当作一场长期战役来打。

值得一提的是，宽德作为赞助商参与了今年的ICLR 2026——这场4月23日至27日在巴西里约热内卢举办的全球顶级AI学术会议，与NeurIPS、ICML并列为机器学习领域影响力最大的三大顶会。

宽德的身影出现在ICLR的赞助商名单中，释放的信号很清晰：这家从量化金融起步的机构，正在以极深的姿态和极长线的投入，介入最前沿的AI基础研究。

从科学理想出发，Will走在长期主义者的长征路上。

SimpleTES只是第一枪。

当一个有资源、有耐心、有技术野心的团队，同时从基座模型预训练和科研方法论两条路径发力，把「让AI学会做科研」当作十年级别的目标来投入的时候——后面的故事，可能比我们想象的来得更快、更猛。