InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery

이 논문은 기존 AI Scientist 시스템 상당수가 분야별로 설계되어 여러 과학 분야를 함께 추론하기 어려운 문제를, 가설 생성, 검증, 진화를 맡는 세 subsystem과 세 종류 memory를 묶은 하나의 agent 시스템으로 풀었다.

이 논문은 한마디로 알고리즘 발견과 실증 발견을 하나의 agent 시스템에서 수행하는 InternAgent-1.5의 설계와 평가를 담은 system 논문이다. 문헌 knowledge graph 기반 deep research가 가설을 만들고, solution graph 위의 Monte Carlo 탐색이 계산이나 wet-lab 실험으로 제안을 검증하고, 세 종류 memory가 결과를 다음 cycle에 넘긴다. 저자들은 InternAgent-1.5가 GAIA(추론, web 탐색, tool 사용을 함께 요구하는 실제 과제 benchmark)와 GPQA-diamond(대학원 수준 과학 객관식 문항)의 평균, FrontierScience의 Olympiad와 Research 종합 점수, SGI-Bench(과학 탐구 전 과정을 재는 benchmark)의 두 track에서 비교 대상 가운데 가장 높은 점수를 냈고, HLE(Humanity's Last Exam)에서는 text-only와 전체 설정 모두 Gemini-3-pro-preview보다 높았다고 보고했다. 과학 데이터 알고리즘 과제 여섯 개와 AI 알고리즘 과제 네 개에서는 모두 baseline보다 좋은 값을 냈고, 지구과학, 생명과학, 생물학, 물리과학 사례로 기후 진단, 이미 보고된 표적의 재현, 자동 장비로 수행한 형광 단백질 실험, 반응 생성물 예측을 보였다.

핵심 요약

• 문제: 저자들은 기존 AI Scientist 시스템 상당수가 분야별 설계에 묶여 여러 과학 분야를 하나로 추론하기 어렵다고 보았다. 최적화는 흔히 한 trajectory 안의 갱신에 기대어 제안을 고치고, 대부분의 시스템에는 긴 연구 cycle에 걸친 지속 memory가 없다고 밝혔다.
• 입력과 출력: 이 논문은 구현과 실험을 갖춘 system 논문이다. 입력은 목표와 원래 baseline 코드가 주어진 알고리즘 발견(algorithm discovery) 과제나, 관찰 데이터와 연구 질문이 주어진 실증 발견(empirical discovery) 과제다. 출력은 가설과 방법 계획, 실행한 코드나 실험 protocol, 측정값과 보고서이며, 후보 해법 하나는 코드 로직, parameter 설정, 장비 조작 protocol을 담은 실험 제안 전체다.
• 방법: Generation은 문헌 knowledge graph와 하위 과제를 DAG(방향 비순환 그래프)로 잇는 flow graph 기반 deep research로 가설과 방법 계획을 만들고, Verification은 이를 계산이나 실험으로 평가하며, Evolution은 결과를 memory에 쌓아 다음 cycle로 넘긴다. Verification의 탐색은 MCTS(Monte Carlo Tree Search)의 tree를 모든 실험 결과를 모은 solution graph로 바꾸고, 부모만 보는 확장, 같은 branch의 이력 반영, 다른 branch 참조, 여러 branch 결합의 네 연산으로 새 제안을 만든다. memory는 지난 추론에서 뽑은 재사용 절차(SPM, Strategy-Procedural Memory), 실험마다 남긴 방법과 지표(TEM, Task-Episodic Memory), batch가 끝날 때 방법을 둘씩 짝지어 대조해 뽑은 원리와 이미 탐색한 연구 방향의 graph(SKM, Semantic-Knowledge Memory)로 나뉜다.
• 구현: GAIA와 HLE 평가에서는 기본 모델로 Qwen3-235B, o4-mini, Gemini-3-pro와 o4-mini 조합을 비교했고, 반응 생성물 예측(ChemCoTBench) 과제에서는 RDKit(화학 정보 처리 library)으로 분자 descriptor를 계산했다. 형광 단백질 설계 과제에서는 ESMFold(단백질 folding 예측 모델)와 ProSST(서열과 기능, 안정성 예측 모델)를 썼고, 그 wet-lab 단계는 SCP(Science Context Protocol)가 자동 장비를 조율해 DNA(deoxyribonucleic acid) 조립, 발현, 정제, 형광 측정을 수행했다. 공식 저장소 README는 아이디어 생성부터 실험까지 실행하는 launch_discovery.py, deep research 질의응답용 launch_qa.py, 알고리즘 발견 과제마다 prompt.json과 baseline code를 둔 tasks 폴더, memory 모듈을 공개했다고 적었다.
• 결과: GAIA validation 165문항에서 Gemini-3-pro와 o4-mini 조합은 평균 86.06%로 Manus의 73.30%보다 높았고, text-only subset만 평가된 MiroThinker-v1.5-235B의 80.8%도 넘었다. 과학 데이터 알고리즘 과제 AutoEAP에서는 enhancer 활성 예측의 HK-PCC(Housekeeper Pearson Correlation Coefficient, 예측과 측정 활성 사이의 Pearson 상관)가 DeepSTARR baseline의 0.65에서 0.91로 올랐다. SPM을 뺀 ablation은 GAIA 평균 정확도 82.42%, 평균 tool 호출 22.69번으로 전체 시스템의 86.06%, 18.52번보다 나빴다.
• 한계: 생명과학 사례 두 개는 OriGene이 보고한 간세포암 표적 유전자(GPR160)와 원 연구가 밝힌 대장암 표적(ARG2)을 다시 찾은 재현이고, wet-lab 형광 단백질 실험은 문헌이 보고한 형광 단백질 변이체(sfGFP)의 밝기와 folding 효율을 확인했다. memory 효과를 수치 표로 보인 것은 GAIA의 SPM ablation 하나이고, TEM은 성능 곡선 그림, SKM은 prompt 기반 사례로 보였다. 저자들은 계산 추론과 실험 검증의 연결을 강화하고 생성한 가설을 검증 가능한 결과로 더 빨리 옮기는 일을 앞으로의 과제로 들었다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.