OmniScientist：全模态、全学科的AI科学家

基础模型的最新进展使AI科学家能够自动化日益完整的研究工作流，从假设生成、代码执行到论文撰写。然而，仅覆盖工作流并不能获取科学发现所依赖的全部证据。现有系统通常只对文本、代码、标签或预计算的摘要进行推理，使科学上具有决定性的空间、时间、跨通道和过程性关系对智能体不可用。我们提出OmniScientist，一个端到端、全模态的AI科学家，可直接基于异构的原始证据开展多学科研究。一个感知层与三个分别负责构思、实验和写作的自主智能体在确定性流水线中运行，使观察结果能够在整个研究生命周期中塑造研究问题、实验决策和最终论断。通过在代码中运行构思、严谨性与论断检查，该系统强化了新颖性筛选、统计有效性、执行溯源和数值可追溯性。我们在36个真实数据案例上评估OmniScientist，涵盖5个学科门类、4类科学证据，以及图像、信号、音频、视频、三维结构、轨迹、表格、公式和图谱等模态。该系统在全部36个案例中完成了从原始数据到可编译论文的完整路径，并使用参考推理骨干取得6.3的平均论文总分。在与仅接收预计算标量特征的盲化变体的配对比较中，直接感知改善了全部7个评估维度，并在85%的正面对比判断中获胜。这些结果表明，覆盖全生命周期的感知对于基于证据的科学发现至关重要，并为构建能力广泛的AI科学家提供了可行路径。