8月28日消息，新加坡公司 Sapient Intelligence 发布并开源了自主研究系统 PRAXIST。它面向长周期研发：用户给出目标、约束和成功标准，系统自行探索路径、做实验、验证并迭代，而不是像普通 coding agent 那样执行一个已知任务。在 75 题的 MLE-Bench 榜单上，PRAXIST 拿到 60 枚奖牌、其中 49 枚金牌，超过 Claude Code 配 Claude Opus 4.8 基线的 55 枚、34 金，模型花费约 3,054 美元，约为后者 38,370 美元的 1/12。 代际分层研究图：失败也沉淀，结果可审计
PRAXIST 处理的是"解决方案本身可以被构建、运行、测试"的技术问题。与树状搜索不同，树状搜索里每个子方案只继承一个父节点、弱分支被剪掉；PRAXIST 把每次实验的教训都保留下来，包括失败，做成一张带类型的证据图，再分出多条平行的前沿和待办议程。
这样一来，一次失败的实验可以排除一个方向、变成一条约束，一条没有充分验证的结论可以继续被测试，不同分支的发现之后还能重新组合。系统最终交付的不只是一个跑出高分的方案，而是一条可审计的谱系：哪些发现、失败、验证和决策共同塑造了它。相关方法写在论文《Praxist: From Experimental Artifacts to Solution Lineages》里，8月26日发布在 arXiv。
MLE-Bench：60 枚奖牌、49 金，成本约 1/12
MLE-Bench 由 75 道 Kaggle 风格的机器学习赛题组成，覆盖表格数据、计算机视觉、语言、预测和信号处理，按人类排行榜的铜、银、金阈值打分。论文给出的官方评分器终版结果显示，PRAXIST 拿到 60 枚奖牌、占 80.0%，其中 49 枚金牌；Claude Code 配 Claude Opus 4.8 的基线拿到 55 枚、占 73.3%，其中 34 枚金牌。
成本和成绩是同一组对照里最突出的一点：PRAXIST 记录的模型花费约 3,054 美元，基线约 38,370 美元，约为后者的 1/12。需要说明的是，PRAXIST 是一套研究系统，而不是一个大模型，这次评测里它以 DeepSeek-v4-pro 作为底层推理模型。 火箭、SLAM 与量化：合作环境的概念验证
在标准化榜单之外，PRAXIST 还给出了四个工程案例，均来自合作方环境，属于公司披露的概念验证。
火箭着陆控制是其中最有代表性的一个。PRAXIST 在约 12 小时内，把一个只有 4.03% 场景通过完整验收标准的概念验证控制器，改造成能通过全部着陆场景的确定性控制器，并继续提高了着陆质量。结果仍处于 TRL 3（技术就绪等级 3，即仿真中验证的概念层级）。官方还援引一位资深火箭工程师的估算，称常规开发要达到接近的水平约需 8 名工程师工作一个月。
工业 SLAM 案例里，PRAXIST 把激光雷达加惯导加视觉的核心计算负载代理量降低了约 22.1%，同时在 14 条序列中的 13 条上降低了定位误差，中位降幅 49.2%。量化交易案例给出 2019 至 2025 年 53.07% 的年化复合增长率，对照等权买入持有的 22.80%；托卡马克控制案例里，系统在 1,500 个仿真步中存活 1,264 步，对照基线 1,222 步。
竞争点从"执行已知任务"转向"把路径当研究对象"
PRAXIST 的增量不在榜单数字，而在它把解题过程本身当成了研究对象。很多自主研究系统把每次尝试当作近乎独立的：日志和搜索树只记录发生了什么，没有建立"哪个设计元素带来了改进"的因果，长期的研究进程因此反复重学同样的教训。PRAXIST 把实验变成可继承的证据资产，失败也进图，这是它相对单次 agent 循环的机制增量。
MLE-Bench 用的是官方评分器终版结果，是这些数字里最硬的一个，但它仍是公司和论文的自报；火箭、SLAM、量化这些数字来自合作环境，SLAM 的 22.1% 也还是内部测量的负载代理量，离目标硬件上的实际收益有一段距离。因此这次发布说明的是，自主研究的竞争正从"更快执行已知任务"转向"让失败也变成可继承的证据"，而不是通用科研已经被这套系统替代。对做研发自动化的团队来说，开源的代码和公开的方法是可验证的起点。
AI 速览
