这篇题为《寻找开放性的要素：用大型视觉语言模型复现 Picbreeder》的论文由 Sam Earle 等六位作者撰写，已于 2026 年 4 月 1 日提交至 arXiv，编号为 arXiv:2605.23908，归类于人工智能（cs.AI），并交叉涉及计算与语言（cs.CL）、计算机视觉与模式识别（cs.CV）以及神经与进化计算（cs.NE）。据论文注释，该工作共 26 页、含 21 幅图，将于 GECCO 2026 会议上发表。作者同时公开了代码，仓库地址为 https://github.com/smearle/picbreeder-vlm。
研究的出发点是一个宏观问题。当前工业界与学术界正大规模推进以 AI 助手替代人类完成科学、技术与创造性生产流程。而在人类形态下，这些流程历来具有一个根本属性——开放性（open-endedness），即能够源源不断地产生新颖且富有意义的新形式。论文由此追问：人工代理是否也具备这种富有成果的、无引导的发现能力？
为回答这一问题，作者选取了 Picbreeder 作为研究对象。Picbreeder 是人类驱动的开放式搜索的经典范例：用户通过对小型神经网络进行交互式进化，协作构建出一个多样化的图像库。在这项工作中，研究者以尖端视觉语言模型（VLM）取代人类用户，完整复现了 Picbreeder 的流程。
实验结果显示，该系统产出与历史人类基线之间存在明显的定性差异。作者尝试用系统发育复杂性（phylogenetic complexity）以及视觉和语义上的显著性与新颖性等指标来刻画这些差异。为进一步识别造成差异的因果因素，研究还分别考察了三项干预措施的效果：在代理选择过程中加入探索性噪声、代理之间的行为多样性，以及以过去行为记忆形式呈现的“叙事动量”。
论文的贡献不仅在于复现本身，更在于将“开放性”这一抽象概念拆解为可测量的要素，并通过受控实验探索哪些条件可能促成或抑制人工代理的开放式发现。代码的公开也为后续研究提供了可复现的基础。