EurekaBench：评测 AI Agent 发现新科学见解能力的跨学科基准

研究团队推出跨学科基准 EurekaBench，用于评估 AI Agent 进行长流程实验并发现解释性科学机制的能力。该基准涵盖神经科学、化学、天体物理学等 6 个领域的 26 个长程任务及 306 个科学见解，从约束遵循、预测精度和见解推导三个维度进行评估。测试结果显示当前 Agent 虽然在预测精度优化上超过人类科学家，但在推导实质性科学见解方面仍存在显著差距。