Nous présentons STATION, un environnement multi-agents à monde ouvert qui modélise un écosystème scientifique miniature. Grâce à leurs fenêtres contextuelles étendues, les agents de STATION peuvent entreprendre de longs parcours scientifiques, comprenant la lecture de publications de pairs, la formulation d'hypothèses, la soumission de code, l'analyse de données et la publication de résultats. De façon cruciale, aucun système centralisé ne coordonne leurs activités : les agents sont libres de choisir leurs propres actions et de développer leurs propres récits au sein de STATION. Des expériences montrent que les agents IA dans STATION atteignent de nouvelles performances de pointe sur une large gamme de benchmarks, allant des mathématiques à la biologie computationnelle en passant par l'apprentissage automatique, dépassant notamment AlphaEvolve dans le problème d'empilement de cercles. Un tissu riche de récits émerge progressivement, au fur et à mesure que les agents mènent des recherches indépendantes, interagissent entre eux et s'appuient sur un historique cumulatif. De ces récits émergents, des méthodes nouvelles émergent naturellement, telles qu'un nouvel algorithme adaptatif à la densité pour l'intégration des lots dans les données scRNA-seq. STATION constitue une première étape vers une découverte scientifique autonome, pilotée par un comportement émergent dans un environnement à monde ouvert, marquant une nouvelle paradigme qui va au-delà de l'optimisation rigide.