一个名为PhysClosureBench的新基准已被开发出来，用于评估AI智能体在物理学研究中进行科学调查并得出有充分证据支持的结论的能力。该基准包含50个专家验证的任务，通过原子分数（Atomic Score）评估局部科学成就和研究闭环的完整性。在评估的七个前沿大型语言模型（LLM）中，Claude Opus-5表现最佳，获得了高原子分数，但在相当一部分尝试中仍未能实现完整的研究闭环。该研究强调了AI智能体生成科学结果的能力与其在研究问题上实现完整、证据支持的闭环的能力之间持续存在的差距。 AI
影响 强调了当前AI智能体在得出完整、基于证据的科学结论方面能力的局限性，指出了未来研究和发展的方向。
排序理由 该集群描述了一个新的基准以及对LLM在科学研究任务上的评估，发布在arXiv上。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
