公司核心产品与技术 - 公司UniPat AI发布了一个名为UniScientist的开源项目，这是一个参数为30B的模型，旨在实现“提出假设-收集证据-执行可复现的推导-迭代验证直至结论成立”的完整科学研究闭环[2] - 该模型的核心突破在于将人工智能建模为一个动态系统，并通过自主构建的数据引擎，将开放式的科研难题转化为可验证的“单元测试”[5] - 模型在FrontierScience-Research和ResearchRubrics等权威科学研究榜单上，其表现匹敌甚至超越了参数量大一个数量级的顶尖闭源模型[3] 技术原理与创新 - 模型解决了当前AI在科研任务中普遍存在的“叙事推理”和从“结论”出发的逻辑陷阱问题，实现了真正的“自主科学研究”能力，能够在开放问题中提出假设、证伪推论、修正路径并沉淀为结构化成果[7][8][9][10] - 其数据引擎采用了“进化式多学科合成”方法，将开放式科研成果分解为多个封闭的、可独立验证的Rubric检查项，每个检查项都追求原子化、客观、可证据落地或可形式化推导[24][25][26] - 模型引入了“成果聚合目标”作为额外的训练目标，使模型学会比较、取舍和整合多份候选科研成果，从而产出更完整、更稳健的最终成果，这相当于将“集体科研智能”写入了训练过程[33][34][35] 性能表现与评测结果 - UniScientist-30B-A3B模型（一个仅有3B激活参数的小模型）在FrontierScience-Research评测中达到28.3分，超越了Claude Opus 4.5（17.5分）、Gemini 3 Pro（12.4分）、GPT-5.2 xhigh（25.2分）以及DeepSeek V3.2 w/tools和Seed 2.0 Pro w/tools（均为26.7分）[36][38] - 在成果聚合模式下，该模型的得分进一步提升至33.3分[37] - 在多项分布外的基准（如DeepResearch Bench、DeepResearch Bench II和ResearchRubrics）上，UniScientist的表现与一系列顶级闭源系统实力相当[39] - 即使在无工具的评测条件下，模型性能仍有显著提升，这表明其研究推理能力本身通过训练得到了增强，而非单纯依赖工具使用[40][41] 数据与训练 - 公司构建了高质量的训练数据集，其关键原则是让模型负责规模与多样性，让人类专家负责质量与可验证性[14][16] - 当前数据集已包含超过4700个研究级实例，每个实例附有20+条Rubric项，覆盖50+学科和400+研究方向，专家标注平均每条样本投入1-2小时[26] 未来发展方向 - 系统目前集成了代码解释器，将研究流程从叙事式推理升级为“测试-修正”的循环，但其能力主要集中在可复现推理与仿真计算范围内[44][45] - 公司明确下一步方向是将框架扩展到对真实实验与计算基础设施的受控编排与执行，包括大规模GPU任务的可靠调度以及湿实验流程的协调，以加速科学发现[46][47]