ScientistOne：通过证据链迈向人类水平的自主研究

自主研究智能体能产出有竞争力的方案和看似专业规范的稿件，但其输出包含表层评估无法察觉的可验证性失效：伪造引用、不可复现的分数以及与实现相脱节的方法描述。我们通过三项贡献来解决这一问题。其一，证据链（Chain-of-Evidence, CoE），一个要求每条论断都可追溯至其证据来源的可验证性框架。其二，ScientistOne，一个端到端自主研究系统，在文献综述、方案发现与论文写作全过程中从构建机制上维护证据链。其三，CoE Audit，一种事后审计，其四项完整性检查——分数验证、规格违反、引用验证与方法-代码对齐——统一适用于所有系统。在覆盖五个系统、五项前沿研究任务的75篇论文中，每个基线都至少表现出一种系统性失效模式：幻觉引用率最高达21%，分数验证通过率最低仅42%，方法-代码对齐率介于20%至80%。ScientistOne实现零幻觉引用（0/337）、满分分数验证（12/12）以及最高的方法-代码对齐率（14/15），并在全部五项任务上达到或超越人类专家表现。ScientistOne还推广到涵盖医学影像、细粒度识别、3D感知与语言建模的六项额外任务，在Parameter Golf上取得最先进结果，并在基线完全失败的MLE-Bench任务上获得金牌。