arXiv 人工智能· Ming Zhong, Stacy Li, Nicholas Carlini, Matthew Jagielski·· 2 小时前AI 评分49
科学机器学习自动化：前沿 AI 智能体能否攻克真实科学难题？
Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?
AI 导读
研究团队推出长周期评测基准 Agent4Sci，涵盖 11 个领域 20 个基准，评估前沿 AI 智能体优化科学机器学习模型的能力。测试中 Claude Opus 取得 10.4% 平均相对提升，但收益主要来自工程技巧而非科研洞见。配置轻量插件技能后，Claude Opus 提升增至 20.1%，Codex 从 4.4% 升至 8.1%，代码与数据已开源。
来源：arXiv 人工智能 · arxiv.org