우리는 미니어처 과학 생태계를 모델링한 오픈월드 다중 에이전트 환경인 STATION을 소개한다. STATION 내의 에이전트들은 확장된 컨텍스트 창을 활용해, 동료의 논문을 읽고 가설을 수립하며, 코드를 제출하고 분석을 수행한 뒤 결과를 공개하는 등 긴 과학적 여정을 수행할 수 있다. 특히, 이들의 활동을 조율하는 중앙 집중식 시스템은 존재하지 않으며, 에이전트는 각자 자신의 행동을 선택하고, STATION 내에서 독자적인 서사를 발전시킬 수 있다. 실험 결과, STATION 내 AI 에이전트는 수학, 계산 생물학, 기계 학습에 이르는 다양한 벤치마크에서 새로운 최고 성능을 달성했으며, 특히 원판 정렬( circle packing) 문제에서 AlphaEvolve를 뛰어넘는 성과를 보였다. 독자적인 연구를 추구하고 동료와 상호작용하며 누적된 역사에 기반해 발전하는 에이전트들 사이에서 다양한 서사가 자연스럽게 형성된다. 이러한 출현하는 서사들로부터 새로운 방법론이 자생적으로 등장하기도 하며, 예를 들어 scRNA-seq 배치 통합을 위한 새로운 밀도 적응형 알고리즘이 그 예이다. STATION은 오픈월드 환경에서 출현하는 행동에 의해 자율적인 과학적 탐구를 이끌어내는 데 있어 첫걸음이자, 엄격한 최적화를 넘어서는 새로운 패러다임을 제시한다.