SciLENS：强化学习驱动的自主代理，用于科学本地化证据导航和合成

科学文献合成代理越来越依赖专有的在线服务，限制了可重复性、隐私和离线部署。为了应对这一挑战，我们引入了 SciLENS Scientific Localized Evidence Navigation and Synthesis），这是一个完全本地化的自主代理框架，在双层基础设施上运行，索引约 1200 万条学术记录。 SciLENS 率先将结构可视化集成为推理循环中的可操作工具，使代理能够将复杂的引文拓扑压缩到经过验证的数据驱动图表中，从而减轻宏观综合过程中的上下文耗尽。为了在没有人工注释的情况下训练代理，我们开发了一个自动数据合成管道，该管道从引文知识图中提取多跳子图，并通过 20 个前沿模型之间的跨模型共识进行验证。随后，代理通过反向分解标题策略进行调整，该策略为早期规划和严格的证据基础提供细粒度的过程奖励。对包括标准 QA、引用准确性、事实推理和结构综合在内的六个科学基准的评估表明，SciLENS 的性能显着优于开源基准，并实现了与 GPT-5.2 和 Gemini-3.0-pro 相当的性能。我们的源代码和数据发布在 https://github.com/LQgdwind/SciLENS。