健康领域科学结论合成基准SciConBench发布

研究团队提出 SciConBench，一个包含 9.21K 问题与系统综述专家结论的大规模实时基准，用于评测健康与医学领域的开放域科学结论合成能力。 在清洁室评测环境 SciConHarness 下，8 个前沿模型与深度研究智能体中表现最好的事实 F1 仅为 0.337，且清洁室设置下的成绩普遍低于无约束评测。研究团队据此称，数据泄漏会高估模型的真实合成能力。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。