从研究目标到科学问题的完整解答：通过证据支持的物理研究评估智能体
PhysClosureBench 是一个包含 50 项经专家验证的研究任务的基准，覆盖强场物理、阿秒物理及相关领域。它评估 AI 智能体能否组织研究，并生成、验证回答问题所需的证据。研究测试了七种前沿语言模型。Claude Opus 5 的平均 Atomic Score 最高，为 6.29 分（满分 10 分），但仅有 32.7% 的尝试达到代表研究完整解决的 RC4。总体来看，至少获得 8 分的尝试中，仍有 36.2% 未达到 RC4。结果显示，局部科学成果与凭借必要证据完整回答研究问题的能力之间仍存在差距。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。