★ 3
EDB-Bio 基准测试语言模型科学证据权衡能力
论文发布 EDB-Bio 科学推理基准，含 9.6 万条来自药物转录组、CRISPR 与 GWAS 的真实实验序列。前沿模型普遍过度保守，按严格适当评分规则后训练可显著改善校准，Ibis0 模型实验选择效率达最佳前沿模型 2.5 倍。
arXiv cs.LG2 小时前
#科学推理
共 7 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
FrontierMat 基准测试语言模型材料研发前沿能力
论文推出 FrontierMat 基准，含 330 道来自航空航天、半导体、具身智能、核聚变等前沿材料研发的问题，由领域专家验证。最强通用模型仅得 53.7%，跨尺度推理题低 8.7 分；领域自适应训练可将开源模型从 36.7% 提升至 55.4%。
arXiv cs.AI2 小时前
★ 3
清华姚期智团队提出代数世界模型，让 AI 像牛顿一样推理
清华大学姚期智团队发布新研究，提出「代数世界模型」，试图让 AI 通过代数结构理解物理规律并进行类似牛顿式的推理。该工作属于世界模型与科学推理方向的学术探索。
量子位23 小时前
★ 3
研究测试语言模型能否识别科学结论间的矛盾
研究考察语言模型在判断两项科学发现是否真正冲突时的行为。在受控 XOR 约束任务中，GPT-5.6 Sol 与 Claude Opus 5 直接处理约束时准确率高达 90% 和 96%，但换成科学论文表述后表现分化：Claude Opus 5 常偏向符合生物学预期的结论。结果表明可靠的科学验证不仅…
arXiv cs.AI32 天前
★ 3
HN 讨论：前沿模型物理能力究竟如何
一项讨论评估了当前前沿大模型在物理学问题上的能力表现，在Hacker News获得41分与14条评论。该话题关乎大模型在科学推理与专业领域中的真实水平，对判断AI能否胜任科研辅助具有参考意义。
Hacker News46 天前
★ 3
Sci-MMR：多模态智能体科学推理基准
论文提出Sci-MMR，基于结构化论证图构建多步证据支撑的科学推理基准，涵盖四个学科共235个多跳任务，平均每任务含九张图面板。评估八个前沿多模态模型发现，答案准确率始终比完整证据恢复率高出20%以上，暴露仅看答案的评测盲区。失败主要源于证据获取（57.2%）与证据整合（31.8%）两大瓶颈，说明…
arXiv cs.AI51 天前
★ 2
BioPhys-Bridge：跨学科科学生物物理推理基准
论文推出BioPhys-Bridge基准，用于生物物理文献中基于证据的科学推理，每个案例含证据块、稳定证据ID、定量值、单位、方程、假设与机制。首版含500个案例、1517个智能体任务，覆盖六个生物领域与九个物理模型族，初步评测中DeepSeek-V4-Flash证据ID F1最高（0.360）。
arXiv cs.AI45 天前