SciΠvot：科学自动研究智能体首席研究员判断力基准
原文标题：Sci$\Pi$vot: Benchmarking Principal-Investigator Judgment at Pivotal Moments of Scientific AutoResearch Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究团队构建 SciΠvot，一个基于人类纠正的248例科学判断力基准，源自六个月、26个项目、六个领域的 LLM 智能体研究记录。测试显示五个前沿模型中有四个在选定案例上低于随机水平，最高准确率63.5%，低于新手的73.4%。
- 问题
- LLM智能体可长期自主跑实验，但其科研判断力缺乏可量化的评测。
- 方法
- 基于六个月26个项目的人类纠正记录构建248例基准，让模型在原始计划与人类修正方案间二选一。
- 结果
- 五个前沿模型中四个低于随机水平，最高准确率63.5%，低于新手的73.4%；带项目记录反而普遍更差。
- 影响
- 说明当前模型不适合无人监督的科研决策，产品上需保留人类把关环节而非追求全自动研究。
深读 · 结论先行AI 生成展开看要点与影响 ↓
248例科学判断力基准显示，五个前沿模型有四个低于随机，最高63.5%不及新手73.4%。
- •SciΠvot基于六个月、26个项目、六个领域的LLM智能体研究记录，含248例人类纠正案例
- •测试中五个前沿模型有四个在选定案例上低于随机水平
- •最高准确率63.5%，低于新手的73.4%
- •中等推理强度下，模型系统性地偏好原始LLM方案而非人类修正方案
- •中等强度下每个模型带项目记录时准确率反而低于不带记录，重新考虑也未稳定提升
为什么重要：直接质疑LLM智能体自主科研的可靠性：它们不仅判断力不足，还会在有人类修正记录时更固执己见，对押注自主科研的团队是硬信号。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。