从散文到属性：用 ARATest 测试智能体原生科学的研究断言

研究人员提出基于属性的测试库 ARATest，将自然语言形式的研究断言转化为可执行的属性测试，以验证智能体生成的研究结论。在 33 个研究成果的 54 个断言测试中，该工具判定 32 个成立、8 个违规并暴露出 2 篇已发表论文的确认错误。在 19 个对照组中，ARATest 检出全部 553 个植入错误且无误报，表现优于两名 LLM 评判员。