Dream-RSI：用过去的搜索，检验新的搜索策略
已有尝试让策略无须重做发现过程，就能检验不同的后续选择。Lasso 结果则说明，搜索调用减少与求解器运行变快需要分开解读。
ScientistTwo 的 DMC-TeCh 候选，在六项指标中的五项上超过了基线，却没有通过系统的研究贡献判断。作者报告，消融评判认为主要收益来自 EMA 与标签平滑这两项通用训练处理，而非提出的多核心架构。这里的“拒绝”，指系统内部对研究贡献的判断。附录 B 中的 DMC-TeCh 案例。
同一个候选里包含两类改动：提出的架构，以及训练处理。把整个候选与基线比较，测到的是这组改动合在一起的表现。单凭这个结果，还分不清应该把收益归给哪项改动。要把架构作为贡献，主张就更具体了：需要证据把改善与这项架构联系起来。作者报告的归因判断，阻止了“整个候选更好”自动变成“所提架构带来了改善”。
“主要”二字也限定了这个判断。原文说明评判把主要功劳归给了谁，没有给出各组件的效应数值，也没有断言架构的作用为零。指标改善与贡献被拒绝可以同时成立，因为两者回答的问题不同。
这是对作者所报决定的解释图。五个绿色圆点表示改善的指标数量。归因分支的实线与虚线区分获得和未获得主要原因归属的解释；图形不估算组件效应大小或收益占比。
ScientistTwo 的组件消融流程，让这一区别进入实际操作。规划阶段为各组件制定实验，编码阶段修改已经验证的实现并执行。评判随后可以要求调整假设和代码。调整后的候选还要与前一版本比较：只有系统的结果比较代理更认可新结果，才更新保留的候选，之后重新进行消融。批评因此可以改变提出的方法，并让修改后的解释再次接受检查。组件实验与保留规则，§3.4。
写成论文之后，流程还有另一条返回证据的路径。ScholarPeer 审视稿件的优点和缺点，提出具体问题并打分。评分低于流程阈值时，回应评审的规划阶段把疑问转成补充实验任务，编码阶段实现并执行这些任务。随后，稿件依据新发现修改断言、表格与图。评审与实验回应，§3.5。
汇总评审还可以返回更早的环节，要求修改假设和实现。新结果得到比较代理认可，就重新经过消融、起草与模拟评审；修改没有改善前一版本的结果，就舍弃这次修改，保留此前的输出。内部的 Accept 则结束流程，导出稿件与代码。这些是作者描述的研究修改路径，并不证明每条批评都得到了成功解决。汇总评审与返回研究，§3.6。
评审轮次实验测的是另一种结果：AI 评价器怎样判断最终稿件。ScholarPeer 的意见已经参与修改稿件，作者因此称它为同分布评价器。Stanford Agentic Reviewer 在开发时未被使用，它的反应可以帮助判断：修改是否也得到生产流程之外的另一套评价器认可。不过，这仍然是 AI 评价。评价器的角色，§4。
在 49 个来自 ICML 2026 Spotlight 论文的目标问题上，表 5 报告了以下条件与 AI 接受率。这项实验改变评审与回应评审的配置；前面的 DMC-TeCh 是附录 B 中另一个具体候选的贡献判断。
| 评审条件 | ScholarPeer AI 接受率 | Stanford AI 接受率 |
|---|---|---|
| 零轮；关闭 Rebuttal Agent | 46.9% | 49.0% |
| 一轮；启用 Rebuttal Agent | 79.6% | 73.5% |
| 两轮；启用 Rebuttal Agent | 93.9% | 69.4% |
第一轮之后，两套评价器的接受率都上升，包括开发时未用过的那一套。第二轮之后，ScholarPeer 继续上升，Stanford 回落，但 Stanford 仍高于零轮的接受率。数据支持这个描述性变化。这三个条件本身没有确立统计显著性，不能确定最优轮数，也不能据此诊断奖励投机。
第一次比较还同时改变了两件事：从零轮到一轮，既加入评审，也启用了 Rebuttal Agent。流程可以补实验、改断言，汇总评审还可以改方法。表 5 没有分辨这些动作与呈现方式的变化，各自对接受率起了多大作用，也没有解释第二轮两套评价为何分化。它的百分比描述的是对稿件的判断，不能提供所提机制的组件归因。
“接受”还需要说清楚对象。已被会议接收的论文，提供了输入问题与代码；流程内部的 Accept，是模拟汇总评审的决定；表 5 则记录 AI 评价器对生成稿的判断。所呈现材料中，生成稿的实际会议决定仍未核实。输入论文与输出评价，表 3 和附录 A.1。
人类评价在另一组样本上增加了证据。作者组织 9 位有经验的评审者，评价了 33 篇来自 NeurIPS 问题的生成稿，既按六个维度单独评分，也与已经接收的人类论文配对比较。两套尺度都是 1–5 分，但含义不同：单独评分大于 3，表示正向认可；比较评分等于 3，表示相当，大于 3 则偏向 ScientistTwo。人评流程与表 10。
整体单独评分均值是 3.7，按这套尺度属于正向评价。整体比较均值是 3.0，落在“相当”的刻度上。这个整体值旁边，稿件各部分的判断并不相同：基线与基准实验的比较均值为 3.5，方法合理性与算法严谨性为 2.9。报告中的均值对基准实验更为认可，对方法严谨性的比较则低于相当点。整体均值落在相当点，不构成统计上的等价证明，也不能抹平各维度差异。这些人评均值还不能与 49 个任务上的 AI 百分比合成一个质量总分。所呈现的人评流程中，评审独立性与盲法仍未核实。
产物审计检查的又是另一组属性。在完整系统的 49 份 ICML 来源输出上，表 7 报告：将论文分数与仓库重新执行的结果比较，分数复验 49/49 通过；任务规则违反为 0/49；1,814 条参考文献中，虚构条目为零；论文方法描述与代码实现的一致性检查 49/49 通过。这些是作者报告的研究产物检查。审计定义与完整表 7。
每项检查都有具体用途，也有自己的范围。参考文献条目真实存在，不证明它支持引用处的论点。方法描述与可执行代码一致，也不能单凭这一点确定是哪项组件带来了收益。因此，产物审计可以补充 DMC-TeCh 所体现的归因检查，无法替代它。
DMC-TeCh 让这个区别产生了实际后果：报告中的数值支持整个候选表现更好，评判却没有把贡献归给它的架构解释。后面的评审接受率、人评与产物检查，评价的是输出的其他部分。流程能够返回实验之所以有意义，是因为即使数值已经改善，反馈仍可以改变最终保留下来的研究主张。
本文是 2026 年 10 月 14 日的解读，讨论 2026 年 9 月 17 日提交的 arXiv v1。该日期指投稿时间。本文呈现作者报告的研究与编辑解释，不提供独立重跑实验或复现结果。