Anthropic Agent4Sci 测评:前沿智能体提升科研模型靠工程技巧而非领域洞见
Anthropic · hf · 2026-10-22
Anthropic Fellows Program 与 Anthropic 发布 Agent4Sci,一个长程测试集,衡量前沿编码智能体在真实条件下改进科学 ML 模型 SOTA 的能力。
- 覆盖 11 个领域、20 个基准,不排榜,而是考察智能体在哪些环节有进展、在哪里失败
- Claude Opus 平均相对提升 10.4%,且所有运行均无学术不端标记——今天的前沿智能体已能在每个基准上超过已发表的 SOTA
- 关键发现:这些提升几乎完全来自一袋 ML 工程技巧,而非科研层面的领域洞见
- 轨迹分析揭示三类反复出现的局限,针对性 skills 能显著提升表现
「编程与Agent」频道最新
- PHP 紧急修复两个未认证 RCE 漏洞，协调披露遭破坏 — kingslyj · 2026-10-22
- 用 Codex 驱动无人机：单次决策耗时 12-20 秒成主要瓶颈 — kfountou · 2026-10-22
- vibe coding 首月战绩：一周做成的 Dust 2 DM 游戏获 30708 名玩家 — TAbrodi · 2026-10-22
- 性能优化上线：3000 场景查询从 2 秒降至 1.13ms，提速 1858 倍 — DanielLockyer · 2026-10-22
- Git 客户端 Codiff 发布 v1.18：启动更快、Markdown diff 渲染更美观 — cnakazawa · 2026-10-22
- SGLang 联手 Google 与 Meta 发布 TorchTPU 插件，已在 Meta 生产推理落地 — BanghuaZ · 2026-10-22