研究品味能用算力算出来

AI 能不能有好品味，这个问题长期停留在玄学层面。周二批次的两篇论文把它推上了手术台：一篇给品味下了可测的定义，一篇让 agent 的提案接受人类专家的盲评。

TasteVal：品味等于计算效率

Oliver Jaffe 与 Dane Sherburn 的 TasteVal（arXiv:2610.06824）只测一件事：给定问题，模型作为 Researcher 角色迭代设计实验，固定的 Coder agent 负责实现，编码能力被隔离在外。品味的操作化定义很聪明：达到专家分数所用算力的一半，等于两倍品味。

设置给得足：八个开放式前沿 AI 研发任务，预算 40 个 H100 小时或 120 小时墙钟，24 位人类专家做基线，20 个横跨 2023 至 2026 的模型受测。结果是 Opus 5.5 以 2.3 倍算力倍率超过专家线，单次成本约人类三十分之一。更有信息量的是趋势：品味倍率自 2025 年 12 月起约每 3 个月翻倍，此前是每 14 个月，而最终性能仍保持每 14.6 个月翻倍。会省算力的进步速度，已经远超绝对能力的进步速度。任务本身保密不发布，防的就是基准污染。

MAGI：药物发现的实战检验

Pierre Llompart 等五人的 MAGI（arXiv:2610.06411）是开放模块化的分子设计 agent：定目标、跑优化、解读构效关系、修订策略，分子可由 LLM 直出也可委托 REINVENT 4 生成，打分服务可替换。考场是三个药企的九个回顾性先导优化项目。

两条生成路线各有性格：LLM 提案更贴近局部化学空间、主活性相当或更高且操作更少，REINVENT 探索更广。决定成败的既不是路线也不是编排，而是预测模型的适用域，出了域成功率就掉。盲评环节最有说服力：化学家分不清 agent 提案与保留分子，认为其构效推理大体可信但不完整。论文结论一句话可抄：目前真实项目的上限由打分器适用域决定，而非工具编排。仓库链接暂未见。

放在一起读

一篇证明品味的进步曲线可以量化且正在加速，一篇证明 agent 的提案已能骗过领域专家的眼睛。研究自动化这件事，从能不能干，走到了干得好不好、省不省的量化阶段。