OpenDiscoveryTrace：评估AI科学家工作流的过程轨迹数据集
原文标题：OpenDiscoveryTrace: Process Traces for Evaluating AI Scientist Workflows
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究发布 OpenDiscoveryTrace，包含558条完整AI科学智能体轨迹，覆盖药物发现、材料科学、基因组学等124项任务，记录每步9字段的结构化过程信息。分析显示，仅看最终输出会掩盖行为差异：三家前沿模型成功率相近（84-89%），但 Claude Opus 4.6 每轨迹错误数是 GPT-5.4 的30倍，且错误类型截然不同。数据集以 CC BY 4.0 开放，支持过程级评估与AI治理研究。
- 问题
- 现有 AI 科学家评测只看最终产出，丢弃推理过程，无法审计方法与失败模式。
- 方法
- 发布 558 条完整智能体轨迹数据集，每步记录 9 字段结构化信息，覆盖 7 个模型与 124 项科学任务。
- 结果
- 三家前沿模型成功率相近（84–89%），但 Claude Opus 4.6 每轨迹错误数是 GPT-5.4 的 30 倍（2.5 vs 0.08）。
- 影响
- 只看结果会误判智能体可靠性，过程级评测应成为 AI 科研工具选型与治理的默认标准。
深读 · 结论先行AI 生成展开看要点与影响 ↓
OpenDiscoveryTrace发布558条AI科学家轨迹，揭示三家前沿模型成功率相近但错误数差30倍。
- •数据集含558条完整轨迹、124项任务，覆盖药物发现、材料科学、基因组学等
- •每步记录9字段：思考、工具调用、观察、错误、修正触发、自报置信度等
- •GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro成功率相近（84-89%）
- •Claude Opus 4.6每轨迹错误2.5个，是GPT-5.4的0.08个的30倍（p<0.0001）
- •以CC BY 4.0开放，另含4个开源模型各30条及60条实时检索变体
为什么重要：只看最终输出的评测会掩盖模型行为差异，过程级数据为AI科研审计与治理提供新基准。
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。