总结与研究机会

回答你的问题：

• “一键产出好论文”的 pipeline：没有。 最接近的 Sakana Agentic Scientist 和 ScientistTwo，前者靠人类 co-scientist 才拿到真实接收，后者只有 AI 审稿和小规模自评。
• 能把大量实验工程、初稿和自查工作自动化的 pipeline：有。 代表是 ARIS（成熟、更新频繁）和 Sakana v3（设计最严谨，但刚开源两天、只有 1 个 commit）。但没有研究测过它们到底省了多少人工。按推荐流水线一页的估算，每篇仍需 40–80 小时专注的人工时间，论文质量的上限取决于你选的问题和你搭的验证体系。
• 2026 年多方来源的共同指向（ICLR 2027 程序主席博客、Anthropic system card 和 METR、OpenAI、CRUX）：工程可靠性仍然不够，超时、崩溃、交不出有效结果都很常见（见主要失败模式）；但更难的瓶颈是“能不能保证真实”和“能不能判断什么值得做”。

如果你想把 auto-research 本身当研究方向，下面这些问题还开着：

1. 研究品味和新颖性的评估与训练。TASTE 上模型仍接近随机。更细的问题清单见开放问题：哪些新证据会改变这些结论。
2. 不可篡改的评估协议，以及在线的 reward hacking 监控。
3. “跨家族审稿是否真的更好”的对照实验。ARIS 自己承认还缺。
4. 能看代码和日志的自动审稿器，以及如何抵抗 Goodhart 效应。
5. 用真实同行评审做大规模端到端评估。CAISc 2026 公开的 AI 和人类评审可以作为起点。