LLNL 新基准:9 个 AI 模型仅 2 个识破缺陷模拟器

Lawrence Livermore 国家实验室发布交互式基准 SciResearch-Eval(论文已上 arXiv),让 9 个 AI 模型在模拟环境中完成加热样品、拟合热传导模拟器并带 95% 置信区间报告热导率的标准实验任务,其中模拟器被故意做了错误处理。结果仅 2 个模型识破模拟器存在问题,该基准首次将 agent 自主实验设计、缺陷模拟器与区间校准评分结合,用于测试 AI 的科学判断力。

2026-11-19 ~ 2026-11-19 · 2 条相关