科研智能体基准SCI-AGENT-EXAM发布

Tianyun Zhong等作者发布面向科研工作流的智能体基准 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，要求智能体同时产出代码脚本与报告文本。 评测采用程序化验证加专家校准 LLM 评判的混合协议。10 个前沿 LLM 智能体中，GPT-6 Astra 总分最高，达 80.9，但仅 26.0% 的运行超过 0.95 成功率阈值。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。