收录解读
这篇论文处理的是 open-ended discovery 中一个很具体但长期没被解决好的问题：让基于大模型的演化式研究系统在长时搜索里真正积累知识，而不是依赖固定 heuristics、手写 exploration rules 和一次性 search loop。作者指出，现有 evolutionary agent 系统虽然已经能在局部任务上改进解，但在持续自治、跨轮知识复用和多 agent 协作上仍然被控制逻辑写死，导致开放式发现能力很难继续扩展。
CORAL 的核心贡献是把进化式 research workflow 改写成长期运行的多 agent 自治系统。系统把 shared persistent memory、asynchronous multi-agent execution 和 heartbeat-based interventions 组合起来，让多个 agent 能并行探索、反思、交换中间发现并持续修正搜索方向；同时配套加入 isolated workspaces、evaluator separation、resource management、session/health management 等 safeguard，把 autoresearch 从单轮 prompt workflow 推到可持续运行的 compound runtime。
仓库里收这篇，不是因为它又在某个 benchmark 上刷高了分，而是因为它把 open-ended discovery 的控制接口从固定策略推进到自演化的多 agent research runtime，且明确把 memory、异步协作、自治干预和安全隔离合到同一个系统蓝图里。它与本仓库已经关注的 research agents、memory-control、AI for science workflow 和自改进 agent 主线都有直接连接，也很可能成为后续 autoresearch / self-evolving agent 工作讨论的参考点。
这篇目前仍是 arXiv 预印本，证据主要来自数学、算法和系统优化任务，而不是更广的真实科学实验闭环或跨组织生产环境；它展示的是一个很强的 runtime pattern，但还没有强到足以改写整个 agent 研究范式。因此这里给 `breakthrough`，而不是更高一级。