SCI-AGENT-EXAM发布：基准测试10个前沿LLM智能体

2026年10月26日，科研团队Tianyun Zhong等人发布SCI-AGENT-EXAM基准。这是一个面向科学研究任务智能体的流程导向基准，包含11个科学领域、7类研究任务及120个专家策展任务，代码与数据已公开。\n\n该基准采用混合评估协议，结合确定性程序验证与大语言模型（LLM）评审，并分析执行轨迹中的进度与稳定性。对10个前沿LLM智能体的实验显示，GPT-6 Astra以80.9分获得最高总分。\n\n实验结果还指出，尽管GPT-6 Astra表现领先，但仅26.0%的运行超过了0.95的成功率阈值。这反映了当前智能体在科学研究任务中稳定性的局限性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。