AItonomy发布SLE科研智能体基准，最强配置仅37.5分
先了解这件事
AItonomy Foundation 发布 Science's Last Exam（SLE）基准，用来自 9 个科学领域的真实研究任务考察智能体能否提出假设、规划实验流程、运行科学代码与软件并解读实验视频。任务由 30 多家机构的研究者编写和评审。 初始榜单上，最强配置（Claude Code 中的 Claude Opus 5）综合得分 37.5/100，端到端研究赛道所有模型均为 0 分。 Aran Komatsuzaki 转述称，该基准包含 9 个学科的 91 个任务，Claude Opus 5 得 67.0、GPT-6.1 Sol 得 64.25、Kimi K3.1 Pro 得 58.25；他认为这是对前沿 LLM 评测的有益补充，但 SOTA 模型已达 60 分以上，需要更难的题目。
AI 根据报道生成 · 23 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Rohan Paul (X)AItonomy Foundation 发布 Science's Last Exam 科研智能体基准
美国非营利机构 AItonomy Foundation 发布 Science's Last Exam（SLE）基准，用隐藏的专家检查项评估科研智能体完成真实研究任务的表现。
- Aran Komatsuzaki (X)AItonomy Foundation 发布 Science's Last Exam 科研智能体基准
AItonomy Foundation 发布 Science's Last Exam（SLE）基准，用真实研究目标和实验室数据、软件等工具评估智能体的端到端科研能力，并由隐藏的专家检查评分。Aran Komatsuzaki 转述称，该基准包含 9 个学科的 91 个任务，Claude Opus 5 得 67.0、GPT-6.1 Sol 得 64.25、Kimi K3.1 Pro 得 58.25，评估范围覆盖端到端实验方案规划、实验观察、科学计算和软件操作。他认为这是对前沿 LLM 评测的有益补充，但 SOTA 模型已达 60 分以上，需要更难的题目。
- elvis (X)Science's Last Exam 基准发布：最强智能体配置仅得 37.5 分，端到端研究全部为 0
AItonomy Foundation 发布 Science's Last Exam 基准，用来自 9 个科学领域的真实研究任务考察智能体能否提出假设、规划实验流程、运行科学代码与软件并解读实验视频。任务由 30 多家机构的研究者编写和评审，初始榜单上最强配置（Claude Code 中的 Claude Opus 5）综合得分 37.5/100，端到端研究赛道所有模型均为 0 分。
本事件热度走势
- 可比范围当前
- 16
- 可比范围峰值
- 2811月6日 04:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。