POPPER 是一个由斯坦福大学和哈佛大学研究者提出的自动化假设验证框架，结合了严格的统计原则与基于大型语言模型（LLMs）的智能体，旨在提高假设验证的效率和准确性。
该框架通过系统地应用证伪原则，采用实验设计智能体和实验执行智能体两个专门的 AI 驱动智能体，确保只有得到充分支持的假设才能被推进，并显著降低了假阳性结果的风险。
POPPER 在多个领域的假设验证测试中表现出色，相较于传统方法，其在统计功效方面有显著提升，并且在任务完成速度和生成代码量等方面也具有明显优势。
POPPER 是一个由斯坦福大学和哈佛大学研究者提出的自动化假设验证框架，结合了严格的统计原则与基于大型语言模型（LLMs）的智能体，旨在提高假设验证的效率和准确性。
该框架通过系统地应用证伪原则，采用实验设计智能体和实验执行智能体两个专门的 AI 驱动智能体，确保只有得到充分支持的假设才能被推进，并显著降低了假阳性结果的风险。
POPPER 在多个领域的假设验证测试中表现出色，相较于传统方法，其在统计功效方面有显著提升，并且在任务完成速度和生成代码量等方面也具有明显优势。
