新基准SPU测试AI预测湿实验结果，前沿模型集体不及格

UniPatAI 牵头发布 Science Prediction Universe（SPU）基准，不再考察刷题能力，而是让 AI agent 根据实验条件自主检索与计算长达 8 小时，在实验开展前预测湿实验室结果，任务共覆盖 100 项、4207 次实验。实测显示前沿 agent 表现不佳，最高均分仅 0.486，整体不及格，凸显 AI 在真实科学预测上的短板。

2026-11-14 ~ 2026-11-16 · 2 条相关