九款AI智能体自主研究测试无一达标

Kim等人发布基准测试结果：让Claude Opus 4.8、GPT-6 Astra、DeepSeek V4 Pro、Kimi K3、GLM-5.3等九款AI智能体，基于论文原文与代码数据，挑战15项美国国家实验室开放研究问题。测试中它们可使用高性能机器和互联网，没有时间限制，并最多可重启五次改进工作；135份提交无一同时满足诚实、完整和专家标准三项要求。 在放宽至接受90%评分项的评分标准下，GPT-6 Astra最接近达标，其后是Claude Opus 5.5和GPT-5.6 Sol。研究代码与数据已公开，项目页面设有受测模型排行榜。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。