The Pulse
PhAI Labs presenta ScienceIDE come ambiente per addestrare agenti di IA scientifica
ScienceIDE di PhAI Labs trasforma i repository di codice scientifico in ambienti eseguibili per generare attività, eseguirle, verificarle e valutarle, supportando il fine-tuning supervisionato, l’apprendimento per rinforzo e la valutazione
AI.info Team ·
PhAI Labs ha presentato ScienceIDE, un’infrastruttura per trasformare i repository di codice scientifico in ambienti programmabili per agenti di IA. Il progetto è pensato per convertire software che codifica modelli, metodi e strumenti scientifici in contesti in cui gli agenti possono generare attività, eseguire codice e ricevere valutazioni basate su criteri di accettabilità scientifica.
L’azienda descrive la motivazione alla base del progetto come il «collo di bottiglia dell’esperienza scientifica». I repository scientifici spesso contengono catene di strumenti frammentate, convenzioni implicite proprie di determinati ambiti e standard specializzati per stabilire la correttezza. ScienceIDE raccoglie questi elementi in ambienti eseguibili, pensati per rendere il software scientifico fruibile come esperienza di apprendimento.
La pagina di PhAI Labs, datata 17 settembre 2026, presenta il progetto come un rapporto tecnico e rimanda a un articolo scaricabile, a una voce su arXiv, a un repository GitHub e alle pagine dei modelli su Hugging Face. Indica inoltre una pagina del progetto associata a ScienceIDE.
Dal codice scientifico agli ambienti per agenti
ScienceIDE si avvale di casi scientifici e criteri di accettabilità definiti da esperti per guidare la trasformazione dei repository in ambienti per agenti scientifici. Questi ambienti supportano la generazione di attività, l’esecuzione e la verifica scientifica.
Il progetto è pensato per considerare più del semplice fatto che un programma venga eseguito o produca un risultato sintatticamente valido. Il software scientifico dipende dal comportamento numerico, dalle convenzioni specifiche di un ambito e da criteri che determinano se un risultato è scientificamente accettabile. Integrando questi requisiti nell’ambiente, il sistema può valutare le interazioni degli agenti in base ai criteri definiti per la specifica attività scientifica.
Il progetto considera il codice scientifico una fonte di esperienza eseguibile, non semplicemente un insieme di file. Gli agenti possono operare in un ambiente derivato da un repository, mentre il sistema circostante registra l’interazione e valuta il lavoro svolto secondo le verifiche scientifiche pertinenti.
Una base comune per addestramento e valutazione
Secondo PhAI Labs, ScienceIDE offre una base comune per il fine-tuning supervisionato, l’apprendimento per rinforzo e la valutazione. Lo stesso tipo di ambiente può quindi essere usato per produrre traiettorie di interazione per l’addestramento e per valutare le prestazioni dei modelli nelle attività relative al codice scientifico.
Nel fine-tuning supervisionato, le interazioni verificate possono fornire esempi di come un agente affronta un problema relativo al software scientifico. Nell’apprendimento per rinforzo, l’ambiente può fornire un riscontro basato sull’esito dell’interazione e sui criteri di accettabilità pertinenti. La valutazione può impiegare attività scientifiche per misurare se un modello è in grado di modificare il codice o lavorarci in modo da soddisfare requisiti specifici di un ambito.
L’attenzione del progetto alla verifica mira a distinguere il successo scientifico dal normale completamento del codice. Un risultato potrebbe dover soddisfare condizioni numeriche o scientifiche, oltre a essere compilato o a superare un test software di base. L’ambiente offre un modo per integrare tali condizioni nel processo di addestramento e valutazione dell’agente.
I modelli PhAI-IDE
PhAI Labs afferma di aver addestrato tre modelli utilizzando le traiettorie di interazione verificate generate tramite ScienceIDE: PhAI-IDE-72B, PhAI-IDE-9B e PhAI-IDE-4B.
«Utilizzando traiettorie di interazione verificate, addestriamo PhAI-IDE-72B, PhAI-IDE-9B e PhAI-IDE-4B.»
PhAI Labs riferisce che la famiglia di modelli mostra miglioramenti in attività di riparazione del codice scientifico non incluse nell’addestramento e in benchmark selezionati di uso generale, che riguardano codice, ragionamento e conoscenze. L’azienda presenta questi risultati come prova di un trasferimento positivo dall’esperienza con il software scientifico a capacità più ampie.
L’abstract del rapporto descrive ScienceIDE come un’infrastruttura per agenti scientifici e afferma che gli ambienti sono pensati per supportare la generazione di attività, l’esecuzione e la verifica scientifica. Presenta inoltre il sistema come base per un ambiente di lavoro integrato dedicato all’apprendimento degli agenti e alla pratica scientifica.
Perché l’ambiente è importante
I repository scientifici contengono conoscenze che non sempre sono espresse sotto forma di istruzioni esplicite. Le ipotesi sulla precisione numerica, sulle procedure di esecuzione, sulla preparazione degli input e sul significato dei risultati possono essere distribuite tra codice sorgente, test, documentazione e prassi consolidate della ricerca.
L’approccio di ScienceIDE consiste nel rendere questi requisiti utilizzabili in un contesto eseguibile. I casi e i criteri di accettabilità definiti da esperti stabiliscono le condizioni in base alle quali si può valutare il lavoro di un agente, mentre l’ambiente mette a disposizione gli strumenti per generare attività, eseguire esperimenti e verificare i risultati.
Il rapporto tecnico di PhAI Labs presenta ScienceIDE sia come un progetto di infrastruttura per l’addestramento, sia come un ambiente di valutazione. Il suo obiettivo dichiarato è fare del software scientifico una base comune per sviluppare agenti in grado di apprendere dal codice di ricerca e di lavorarci.