九款AI智能体自主科研测试无一达标

Kim 等人发布一项基准测试：让 Claude Opus 4.8、GPT-6 Astra、DeepSeek V4 Pro、Kimi K3、GLM-5.3 等九个 AI 智能体，针对美国国家实验室研究者提出的 15 个开放问题开展后续研究。测试中智能体可使用高性能机器和互联网，没有时间限制，并最多可重启五次改进工作。论文称，九个智能体共提交 135 份结果，无一同时满足诚实、完整和专家质量三项标准。 若放宽评分、接受 90% 的评分项，GPT-6 Astra 最接近达标，其后是 Claude Opus 5.5 和 GPT-5.6 Sol。研究代码与数据已公开，项目页面提供受测模型的排行榜。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。