KI-Forschungsassistenten sind gut darin, Ideen zu produzieren, und schlecht darin, sich zu merken, warum frühere Ideen gescheitert sind. Sage-Taiyi, beschrieben in einem neuen Preprint, ist darauf ausgelegt, das zu ändern, und sein überzeugendster Beleg ist kein Benchmark-Wert, sondern zwei chemische Reaktionen, die nach seinen Vorschlägen deutlich besser liefen.
Das Design leiht sich aus der Psychologie die Metakognition, also das Nachdenken über das eigene Denken. Eine Ebene übernimmt die wissenschaftliche Suche: Sie zerlegt eine Frage in Ziele, erzeugt und verfeinert Ideen und speichert Belege aus Experimenten, Fachartikeln und von menschlichen Experten. Eine zweite Ebene führt ein laufendes Bild davon, was diese Belege stützen, welche Annahmen wackeln und welche Fragen offen sind, und entscheidet damit, was als Nächstes untersucht wird und mit welcher Denkmethode. Ziel ist, dass ein Agent nicht dem jüngsten Ergebnis hinterherläuft und dabei einen Fehlschlag von vor drei Runden vergisst.
Auf Taiyi-Bench, das das Team aus 265 Aufgaben aus 50 Fachartikeln in zehn Disziplinen gebaut hat, erzielte Sage-Taiyi insgesamt 54,0 gegenüber 47,9 für AI Scientist-v2, das stärkste Vergleichssystem, und lag bei allen acht Kennzahlen vorn. Es lief auf GPT-5.6-Sol; zu den Vergleichssystemen gehörten dasselbe Modell in Codex und Claude Code sowie Claude Opus 5 und andere Forschungsagenten, der Vorsprung wird also der Architektur zugeschrieben, nicht einem stärkeren Modell. Die Artikel stammen aus der Zeit nach dem Trainingsstichtag des Modells, um Kontamination zu begrenzen.
Mehr Gewicht haben die Laborergebnisse. In fünf von Fachleuten begleiteten Kooperationen in Chemie, Materialwissenschaft und Ingenieurwesen wurden die Vorschläge des Systems tatsächlich erprobt. Die Optimierung der Bedingungen einer kobaltkatalysierten Carbonylierung hob deren Ausbeute von Spuren auf 84%, und eine photokatalytische allylische Aminierung stieg von 13% auf 69%. Solche Zuwächse würde eine Chemiegruppe bemerken.
Es gibt gute Gründe zur Vorsicht. Der Benchmark stammt von den Autoren selbst, und die Ideen bewertet ein automatischer, literaturgestützter Prüfer, der laut Team gut mit menschlichen Experten übereinstimmt; trotzdem benotet hier ein Modell ein Modell. Die fünf Kooperationen wurden von Experten gelenkt, sodass sich der Beitrag des Systems schwer von dem der steuernden Forschenden trennen lässt, und zwei starke Reaktionsergebnisse sagen nichts darüber, wie oft seine Vorschläge scheitern. Als Preprint ist nichts davon begutachtet, und die Autoren nennen keine Zahl zu den Rechenkosten pro Lauf.