OmniScientist：全模态全学科AI科学家

基础模型的最新进展使AI科学家能够自动化日益完整的研究工作流，从假设生成、代码执行到稿件撰写。然而，仅覆盖工作流并不能提供科学发现所依赖的全部证据。现有系统通常基于文本、代码、标签或预计算摘要进行推理，使得在科学上具有决定性的空间、时间、跨通道和程序性关系对智能体不可用。我们引入OmniScientist，一个端到端的全模态AI科学家，可直接从异构原始证据中进行多学科研究。一个感知层和三个自主智能体（分别负责构思、实验和撰写）在确定性流水线中运行，使观察结果能够在整个研究生命周期中塑造研究问题、实验决策和最终结论。通过在代码中执行想法、严谨性和主张检查，系统强制实施新颖性筛选、统计有效性、执行溯源和数值可追溯性。我们在涵盖5个学科家族、4类科学证据以及图像、信号、音频、视频、3D结构、轨迹、表格、公式和图等模态的36个真实数据案例上评估了OmniScientist。该系统在所有36个案例中完成了从原始数据到编译稿件的完整路径，并在参考推理骨干下实现了6.3的平均总体论文得分。在与仅接收预计算标量特征的盲变体的配对比较中，直接感知改善了所有7个评估维度，并在85%的正面比较中获胜。这些结果表明，生命周期范围内的感知对于基于证据的科学发现至关重要，并为实现广泛能力的AI科学家提供了实用路径。