Agent4Sci 测试台：Claude Opus 在 20 项科学 ML 基准上平均提升 10.4%
原文标题：Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?
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。
论文推出 Agent4Sci 长周期测试台，覆盖 11 个领域 20 项科学机器学习基准，衡量前沿编码智能体在真实条件下能多大程度改进已发表最优模型。结果显示前沿智能体在所有基准上均有提升，Claude Opus 平均相对改进 10.4%，但增益几乎全部来自 ML 工程技巧而非研究级洞察。轨迹分析揭示新颖性误判、资源利用不足与快速陷入局部工程扫描三大局限；加入研究构思、实验管理与检查清单等插件技能后，Claude Opus 提升至 20.1%，Codex 从 4.4% 升至 8.1%。
- 问题
- 前沿编码智能体能否在科学 ML 基准上真正改进已发表最优模型。
- 方法
- 构建 Agent4Sci 长周期测试台，覆盖 11 个领域 20 项基准，并分析智能体轨迹与插件技能的影响。
- 结果
- Claude Opus 平均相对提升 10.4%，加插件技能后升至 20.1%；Codex 从 4.4% 升至 8.1%。
- 影响
- 揭示当前智能体增益主要来自工程技巧而非研究洞察，为评估自动化科研能力提供可追踪基准。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Agent4Sci 测试台：Claude Opus 在 20 项科学 ML 基准上平均相对提升 10.4%，但增益几乎全来自工程技巧。
- •测试台覆盖 11 个领域 20 项科学 ML 基准，衡量智能体改进已发表最优模型的能力
- •Claude Opus 平均相对改进 10.4%，所有基准均有提升，且无运行被标记学术不端
- •轨迹分析暴露三大局限：新颖性误判、资源利用不足、快速陷入局部工程扫描
- •加入研究构思、实验管理、检查清单插件后，Claude Opus 升至 20.1%，Codex 从 4.4% 升至 8.1%
为什么重要：它把「智能体能否做科研」拆成可量化的工程增益与研究级洞察两层，给评估自动科研能力的研究者一个可追踪的基准。
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。