OpenScience ने Terminal-Bench Science पर 75.7% का स्कोर प्राप्त किया, जो Codex को पीछे छोड़ दिया

ME AI संदेश, Y Combinator 2026 विंटर बैच (YC W26) कंपनी Synthetic Sciences ने ओपन सोर्स रिसर्च Agent OpenScience का आधिकारिक रूप से लॉन्च किया है। यह पेपर खोजने, डेटा प्रोसेस करने, कोड लिखने और रिसर्च डेटाबेस को कॉल करने में सक्षम है, और नए जोड़े गए Autoresearch सुविधा के साथ AI स्वयं लगातार प्रयोग चला सकता है। उदाहरण के लिए, एक मॉडल ट्रेन करते समय, शोधकर्ता को सिर्फ यह बताना होगा कि “वैलिडेशन सेट का loss कम करो।” OpenScience पहले बेसलाइन चलाएगा, फिर स्वयं सुधार के लिए प्रस्ताव बनाएगा, और एक-एक करके प्रयोग करेगा। अगर परिणाम सुधरते हैं, तो उन्हें बरकरार रखा जाएगा, अगर खराब होते हैं, तो पिछली स्थिति में वापस जाया जाएगा, और पिछले परिणामों के आधार पर अगला प्रयास निर्धारित किया जाएगा। उपयोगकर्ता पहले से ही चलाने की संख्या, कुल समय और रुकने की स्थिति को सीमित कर सकते हैं, या “अब केवल ऑप्टिमाइज़र में ही बदलाव करो” जैसा निर्देश दे सकते हैं। OpenScience, जिसमें शोधकर्ताओं को पहले बार-बार मॉनिटर करना पड़ता था, उस प्रक्रिया को स्वचालित करता है: प्रस्ताव बनाना, प्रयोग करना, मीट्रिक्स की तुलना करना, असफल प्रस्तावों को हटाना, और अगली पाली में आगे बढ़ना। प्रयोग स्थानीय रूप से चलाए जा सकते हैं, या रिमोट GPU, SSH सर्वर, और Slurm/PBS क्लस्टर पर सौंपे जा सकते हैं। हर प्रयोग के कोड, परिणाम, और मूल्यांकन की सभी प्रतिलिपि संग्रहित होती हैं, जिससे बाद में जाँच करने में सुविधा होती है। इसके साथ ही, ChatGPT/Codex सब्सक्रिप्शन में सीधे प्रवेश की सुविधा है, साथ ही अपनी API कुंजी, स्थानीय मॉडल, या आधिकारिक पेपर-पर-यूज़ Ace का उपयोग किया जा सकता है। आधिकारिक परीक्षण में, OpenScience ने 70 Terminal-Bench Science कार्यों में से 53 पूरे किए, 75.7% स्कोर प्राप्त किया। इसकी तुलना में, Codex + GPT-6 Astra का प्रकाशित स्कोर 68.1% है। (स्रोत: BlockBeats)