Dècades de coneixement científic viuen enterrades en programari especialitzat -models de simulació, eines d'anàlisi, biblioteques de laboratori-, cadascun amb convencions pròpies de la seva disciplina que fan molt difícil convertir-lo en material d'entrenament fiable per a un agent d'intel·ligència artificial. Un equip encapçalat per Hejia Geng i Ling Yang, amb prop de quaranta-cinc autors, anomena aquest problema «el coll d'ampolla de l'experiència científica».
El seu projecte, ScienceIDE, converteix repositoris de codi científic en entorns executables: guiats per casos i criteris d'acceptació definits per experts, els agents transformen aquest codi en tasques que es poden generar, executar i verificar científicament. Amb les trajectòries d'interacció que en resulten, ja verificades, l'equip ha entrenat tres models -PhAI-IDE-72B, PhAI-IDE-9B i PhAI-IDE-4B- que milloren tant en reparar codi científic que no havien vist abans com en bancs de proves generals de codi, raonament i coneixement.
La troballa que els autors destaquen més és la transferència: l'experiència guanyada reparant codi científic es trasllada a capacitats generals del model i no es queda tancada en el domini d'origen, cosa que suggereix que el codi científic és una font d'entrenament més rica del que se solia donar per fet, i obre la porta a fer servir el conjunt del programari científic mundial com a material d'aprenentatge per a agents d'IA.
Es tracta d'un preprint encara no revisat per parells, i els guanys es mesuren sobretot en bancs de proves creats pels mateixos autors: encara no hi ha una avaluació independent de com es comportarien aquests models en un projecte de recerca real, més enllà de la tasca concreta de reparar codi.