Science's Last Exam 发布:91 项端到端科研任务,最强模型仅 67 分
AccBalanced · x · 2026-11-06
AItonomy Foundation 发布 Science's Last Exam(SLE),一个评测自主端到端科学研究能力的 benchmark:
- 91 项任务(官方帖为 113 项)、横跨 9 个学科,由哈佛、MIT、斯坦福等 34 家机构的专家共同设计
- 不再是问答,而是给 agent 真实研究目标与真实工具(实验数据、软件),按隐藏的专家标准评分,覆盖协议规划、实验观察、科学计算与软件操作全流程
- 转发帖给出的成绩:Claude Opus 5 得 67.0,GPT-6.1 Sol 得 64.25,Kimi K3.1 Pro 得 58.25;官方帖称 8 个前沿模型最高仅 37.5/100,而真正的端到端科研任务上所有模型得分均为 0
- 榜单方提醒:SOTA 模型已能拿 60+,任务难度需要尽快加码;官方称 Claude Opus 5.5 与 GPT-6 Astra 正在通过生物安全审查后将加入评测
全部内容 11 月 6 日开放。作者认为该基准与 RSI/ASI 议题高度相关。
所属事件:Science's Last Exam 基准发布：前沿模型科研能力仍堪忧(3 条相关)→
「模型」频道最新
- mitsuhiko 澄清:泄漏邮箱的不是 Claude Code,是模型自己的行为 — mitsuhiko · 2026-11-06
- Perplexity Agent API 全线降价:新增 ultra 档,主打每美元智能最大化 — denisyarats · 2026-11-06
- GPT Image 2.6 登顶 Image Arena，速度最高提升 2.6 倍 — cantrell · 2026-11-06
- AA 评测：FLUX 3 全系 19 项文生图类别全面超越 FLUX.2，Klein 逼近开源第一 — ArtificialAnlys · 2026-11-06
- Claude 额度不够用？Reddit 用户权衡 Kimi 订阅替代方案 — mohitaksh · 2026-11-06
- Anthropic 首席架构师开号:暗示即将公布内部加速报告,或触发 RSP 2x 阈值 — inductionheads · 2026-11-06