Agent4Sci 测试显示智能体靠工程技巧提升科学ML基准，插件技能可放大增益。
资讯摘要
论文提出 Agent4Sci，一个面向科学机器学习的长程测试平台，覆盖 11 个领域的 20 个基准，用于衡量当前智能体在真实条件下改进已发表最优模型的能力。作者报告前沿智能体在所有基准上均有提升，Claude Opus 平均相对改进 10.4%，且无运行被标记为学术不端；但提升主要来自 ML 工程技巧而非研究级洞见。轨迹分析指出新颖性误判、资源利用不足和快速陷入局部工程搜索三类局限。加入研究构思、实验管理与定时清单等轻量插件技能后，Claude Opus 提升至 20.1%，Codex 从 4.4% 升至 8.1%。代码与数据已在 GitHub 和 Hugging Face 发布。
要点速读
- Agent4Sci 覆盖 11 个领域 20 个科学 ML 基准，考察智能体改进已发表最优模型的能力。
- 作者报告 Claude Opus 平均相对改进 10.4%，无运行被标记学术不端，但增益多来自 ML 工程技巧。
- 轻量插件技能使 Claude Opus 升至 20.1%、Codex 从 4.4% 升至 8.1%，干预更多样且贴合领域。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。