SCI-AGENT-EXAM：11 领域 120 任务评测科研智能体
原文标题：SCI-AGENT-EXAM: Benchmarking Agents on Scientific Research Tasks
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。
论文推出 SCI-AGENT-EXAM，一个面向科研工作流的基准，含 11 个科学领域、7 类研究任务的 120 个专家精选任务，要求同时产出可执行代码与文本报告。评测采用程序化验证加专家校准 LLM 评审的混合协议。10 个前沿智能体中 GPT-6 Astra 总分最高 80.9，但仅 26% 运行超过 0.95 成功阈值。
- 问题
- 现有基准只覆盖部分科研能力或任务类型，难以系统评估 LLM 智能体在真实科研工作流中的表现。
- 方法
- 构建含 11 个领域、7 类任务、120 个专家任务的基准，要求同时产出代码与报告，并用程序化验证加专家校准 LLM 评审的混合协议评分。
- 结果
- GPT-6 Astra 总分最高 80.9，但仅 26.0% 的运行超过 0.95 成功阈值。
- 影响
- 选型科研智能体时不能只看平均分，高成功率运行占比才是能否托付实际工作流的信号。
深读 · 结论先行AI 生成展开看要点与影响 ↓
新基准含11领域120任务，最强智能体GPT-6 Astra总分80.9，但仅26%运行超0.95成功阈值。
- •SCI-AGENT-EXAM含11个科学领域、7类研究任务的120个专家精选任务，每任务需同时产出可执行代码与文本报告。
- •评测采用混合协议：可执行产物用程序化验证，文本产物用专家校准的LLM评审。
- •10个前沿智能体中GPT-6 Astra总分最高80.9，但仅26.0%运行超过0.95成功阈值。
- •分析还揭示不同科研任务类型的能力画像差异，以及执行效率与解稳定性的显著波动。
为什么重要：总分高但高成功率运行仅约四分之一，说明科研智能体的稳定性远未达标，对以智能体自动化科研流程的团队是直接警示。
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。