¿Qué es The AI Scientist (v1, v2 and v3)?
The AI Scientist es la línea de sistemas de Sakana AI que toman una dirección de investigación y producen experimentos y un artículo escrito con poca o ninguna ayuda humana. Ahora abarca tres repositorios. El AI-Scientist original (agosto de 2024, unas 14.800 estrellas) trabaja dentro de plantillas de código escritas por personas para NanoGPT, difusión 2D y grokking: un LLM propone ideas, edita la plantilla, ejecuta los experimentos y escribe un artículo en LaTeX, y un revisor LLM lo puntúa. AI-Scientist-v2 (abril de 2025, unas 7.400 estrellas) prescinde de las plantillas y explora experimentos con una búsqueda en árbol agéntica basada en AIDE, de WecoAI; Sakana advierte de que tiene tasas de éxito más bajas que la v1 cuando existe una buena plantilla.
AI-Scientist-v3, publicado el 11 de octubre de 2026 y actualizado por última vez el 18 de octubre, es un diseño nuevo llamado Agentic Scientist. Maneja agentes de programación existentes (Claude Code, Codex, Cursor, OpenCode, Gemini CLI y Pi) a lo largo de seis fases: redacción de la tarea, investigación, ablaciones, una evaluación final sellada, análisis a posteriori y redacción del artículo, cada una en su propio contenedor Docker. Tiene unas 520 estrellas.
La v1 y la v2 pasaron en diciembre de 2025 de Apache 2.0 a la AI Scientist Source Code License 1.0, una derivada de la Responsible AI License que obliga legalmente a declarar la generación por IA en cualquier artículo resultante; ninguna tiene commits desde el 19 de diciembre de 2025. La v3 es Apache 2.0. Ninguna de las tres publica versiones.
¿Merece la pena The AI Scientist (v1, v2 and v3)?
The AI Scientist importa más como artefacto de investigación que como herramienta, y la v3 es la primera versión que podría ser una herramienta. La v1 demostró en 2024 que un modelo de frontera podía pasar de la idea a un artículo maquetado por menos de 15 $ dentro de una plantilla; la v2 eliminó la plantilla y produjo el artículo que superó la revisión por pares en un workshop de ICLR 2025; el artículo de Nature de marzo de 2026 formalizó el proceso e indicó que la calidad de los artículos sube con el modelo subyacente. La v3 cambia la premisa: en lugar de que un modelo lo escriba todo, envuelve agentes de programación comerciales en comprobaciones con rúbricas, trabajadores en paralelo y un registro de auditoría, y Sakana lo presenta como codescubrimiento en el que una persona plantea la pregunta.
Los resultados más llamativos necesitan contexto. En el workshop ICBINB, Sakana envió tres artículos de la v2 entre 43 envíos; uno obtuvo 6, 7 y 6 (media de 6,33) y se retiró antes de la publicación, como estaba previsto, dos fueron rechazados, y la propia revisión de Sakana no encontró ninguno lo bastante bueno para la conferencia principal y señaló errores de citas como atribuir las LSTM a Goodfellow (2016). Una evaluación independiente de Joeran Beel, Min-Yen Kan y Moritz Baumgart, publicada en SIGIR Forum, encontró que 5 de 12 experimentos propuestos (42%) fallaron por errores de código, que las comprobaciones de novedad calificaron de nuevas ideas conocidas como el micro-batching para SGD, que los artículos tenían una mediana de cinco citas, en su mayoría antiguas, y que varios manuscritos contenían cifras inventadas. Compararon el resultado con un estudiante de grado desmotivado que va con prisa para cumplir un plazo, aunque calificaron la autonomía de hito real. El artículo de la v3 en ALIFE 2026 fue un resultado de cocientífico en el que las personas eligieron la pregunta y comprobaron cada resultado, y la mejora que comunica en Doc-to-LoRA, del 52% al 98% de coincidencia exacta, es una cifra de la propia Sakana.
La seguridad es una restricción de diseño, no una nota al pie. Las tres versiones ejecutan código escrito por un LLM. La v1 y la v2 te piden que lo metas en contenedores y restrinjas tú el acceso a la web; la v1 depende de un Dockerfile aportado por la comunidad. La v3 ejecuta cada fase en Docker por defecto, pero sus agentes funcionan con permisos completos sobre las herramientas (Headless --allow yolo), pueden leer las claves de API que montes y pueden ser manipulados por los ficheros de tarea y los artículos que leen.
Los costes por ejecución son moderados y se acumulan a lo largo de una búsqueda. Las preguntas frecuentes de Sakana sitúan la v1 normalmente por debajo de 15 $ por artículo con Claude 3.5 Sonnet, y la v2 entre 15 $ y 20 $ para los experimentos más unos 5 $ para la redacción; el equipo de Beel midió entre 6 $ y 15 $ y unas 3,5 horas de intervención humana por artículo de la v1. La v3 registra el uso de tokens por fase y estimaciones a precio de lista de la API en un libro de costes, y puede cargar el gasto a una suscripción de Claude o ChatGPT en lugar de a una clave de API; su ejemplo de GRPO necesita dos GPU y entrena de una a dos horas por evaluación. Para ingenieros que quieren optimizar automáticamente un único programa con puntuación en lugar de producir artículos, ShinkaEvolve, del mismo laboratorio, encaja de forma más directa.
Dónde se gana su sitio
Un laboratorio de ML con una tarea de benchmark puntuada y GPU libres
Hacer que agentes de programación exploren ideas, ejecuten ablaciones y redacten un informe durante la noche
Apuntar agsci run de la v3 a un directorio de tarea con un evaluador; ejecuta la investigación, las ablaciones y una evaluación sellada en Docker y escribe un artículo. Hay que contar con verificar cada afirmación, igual que el propio artículo de Sakana en ALIFE fue revisado por personas.
Una investigadora que estudia la ciencia generada por IA
Generar un corpus de artículos escritos por máquinas para analizarlo
Ejecutar la v1 con sus plantillas de NanoGPT, difusión 2D o grokking, normalmente por menos de 15 $ por artículo. La licencia exige que cada manuscrito resultante declare que lo produjo una IA.
Una asignatura universitaria de métodos de investigación
Mostrar a los estudiantes en qué se equivoca la investigación automatizada
Combinar resultados de la v1 o la v2 con la evaluación de Beel y colaboradores, que documenta experimentos fallidos, comprobaciones de novedad débiles y cifras inventadas, como ejercicio de revisión.
Antes de decidirte
- Puesta en marcha
- v1/v2: conda con Python 3.11, PyTorch con CUDA en Linux y GPU de NVIDIA, herramientas de LaTeX (texlive-full para la v1) y claves de API; la instalación de la v2 suele llevar menos de una hora. v3: Docker más uv sync, construir la imagen del agente, poner las claves en .env, y luego agsci run examples/circpack funciona solo con CPU y una sesión de Claude.
- Integraciones
- v1: OpenAI, Anthropic (directo, Bedrock, Vertex), DeepSeek, OpenRouter y Gemini, con Semantic Scholar u OpenAlex para la búsqueda bibliográfica. v3: agentes de programación mediante Headless CLI, una fase opcional de revisión con OpenAI, un inspector de ejecuciones en el navegador en el puerto 8765 y Autoillustrate para las figuras.
- Datos y privacidad
- Los prompts y el código van al proveedor de LLM que configures; las consultas bibliográficas van a Semantic Scholar u OpenAlex. La v3 solo pasa a sus contenedores las claves del agente elegido, y Sakana advierte de que los registros de los agentes pueden reproducir el contenido de los documentos. La licencia de la v1/v2 prohíbe la vigilancia, algunos usos sanitarios y de predicción delictiva, y los artículos de IA no declarados.
- Coste a escala
- Cifras de Sakana: la v1 normalmente por debajo de 15 $ por artículo con Claude 3.5 Sonnet; la v2 de 15 $ a 20 $ por ejecución de experimentos más unos 5 $ para redactar. Un barrido de 50 ideas con la v2 supone por tanto entre 1.000 $ y 1.250 $ en tarifas de API antes del tiempo de GPU.
- Límites
- Solo experimentos computacionales. La v2 tiene éxito con menos frecuencia que la v1 cuando existe una buena plantilla. En la v3, redactar la tarea a partir de un simple enunciado es experimental, la búsqueda bibliográfica solo ocurre al redactar, y las referencias de comparación son sobre todo variantes de su propio programa.
Lo bueno
- Tres generaciones de un proceso de investigación automatizada bien documentado
- La v3 maneja indistintamente Claude Code, Codex, Cursor, OpenCode, Gemini CLI y Pi
- La v3 ejecuta cada fase en Docker por defecto con un registro de auditoría completo
- Bajo coste por artículo según las cifras de Sakana (de 15 $ a 25 $ con la v2)
- Avisos francos en el README sobre ejecutar código escrito por un LLM
Lo malo
- Los artículos generados contienen errores de citas, experimentos fallidos y cifras inventadas (evaluación independiente)
- La v1 y la v2 necesitan Linux, GPU de NVIDIA y texlive; sin commits desde diciembre de 2025
- Los agentes de la v3 funcionan con permisos completos y pueden ser manipulados por sus entradas
- La licencia de la v1 y la v2 restringe usos y exige declarar la IA en los artículos
- Resultados limitados a experimentos computacionales de ML
Ideal para
Grupos de investigación en ML que estudian o usan la experimentación automatizada, pueden aislar las ejecuciones de los agentes y revisarán cada resultado antes de publicarlo.
Alternativas a The AI Scientist (v1, v2 and v3)
The AI Scientist (v1, v2 and v3): preguntas frecuentes
- ¿Merece la pena The AI Scientist (v1, v2 and v3)?
- El proyecto de referencia en investigación de ML automatizada y ahora un entorno utilizable para agentes de programación, pero sus artículos siguen necesitando una persona que detecte los errores, y cada ejecución corre código escrito por un LLM. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta The AI Scientist (v1, v2 and v3)?
- Gratuito. La v1 y la v2 con la AI Scientist Source Code License 1.0 (restricciones de uso y declaración obligatoria de IA); la v3 con Apache 2.0. Pagas las llamadas a la API o las suscripciones de los LLM y las GPU.
- ¿Qué inconvenientes tiene The AI Scientist (v1, v2 and v3)?
- Los artículos generados contienen errores de citas, experimentos fallidos y cifras inventadas (evaluación independiente); la v1 y la v2 necesitan Linux, GPU de NVIDIA y texlive; sin commits desde diciembre de 2025; los agentes de la v3 funcionan con permisos completos y pueden ser manipulados por sus entradas; la licencia de la v1 y la v2 restringe usos y exige declarar la IA en los artículos; resultados limitados a experimentos computacionales de ML.
- ¿Para quién es The AI Scientist (v1, v2 and v3)?
- Grupos de investigación en ML que estudian o usan la experimentación automatizada, pueden aislar las ejecuciones de los agentes y revisarán cada resultado antes de publicarlo.
- ¿Cuánto cuesta The AI Scientist (v1, v2 and v3) para un equipo o en producción?
- Cifras de Sakana: la v1 normalmente por debajo de 15 $ por artículo con Claude 3.5 Sonnet; la v2 de 15 $ a 20 $ por ejecución de experimentos más unos 5 $ para redactar. Un barrido de 50 ideas con la v2 supone por tanto entre 1.000 $ y 1.250 $ en tarifas de API antes del tiempo de GPU.
- ¿Es The AI Scientist (v1, v2 and v3) seguro para los datos de la empresa?
- Los prompts y el código van al proveedor de LLM que configures; las consultas bibliográficas van a Semantic Scholar u OpenAlex. La v3 solo pasa a sus contenedores las claves del agente elegido, y Sakana advierte de que los registros de los agentes pueden reproducir el contenido de los documentos. La licencia de la v1/v2 prohíbe la vigilancia, algunos usos sanitarios y de predicción delictiva, y los artículos de IA no declarados.
- ¿Cuáles son las mejores alternativas a The AI Scientist (v1, v2 and v3)?
- Las alternativas más cercanas que hemos analizado son ShinkaEvolve, OpenHands, TreeQuest y mini-swe-agent.
Respuestas comprobadas el 26 oct 2026.