Agent4Sci显示前沿智能体科学增益多来自工程技巧

Ming Zhong、Stacy Li、Nicholas Carlini与Matthew Jagielski发表论文称，推出长时程测试平台Agent4Sci，衡量前沿智能体能否在野外条件提升科学机器学习基准上已发表最佳模型，覆盖11个领域共20项基准。作者称今日前沿智能体在每项基准上均推进了已发表最佳，其中Claude Opus相对提升均值达10.4%，且无运行被标学术不端；但这些增益几乎全部来自机器学习工程技巧而非研究级洞见。轨迹分析归纳出新意校准偏差、资源利用不足与快速坍缩为局部工程扫掠等局限。作者称研究构思、实验管理与定时清单等轻量插件技能将Claude Opus从10.4%提至20.1%、Codex从4.4%提至8.1%，并带来更多样、更贴领域的干预。