Anthropic 论文提出 Agent4Sci，用 20 项科学机器学习基准评估 AI 智能体

Anthropic 的一篇优秀论文，探讨了 AI 智能体开展机器学习科学研究。

（收藏一下）

如果你在构建 AI 科学家系统，这篇论文值得你花时间阅读。

他们提出了 Agent4Sci，为前沿编程智能体提供 20 个科学机器学习基准测试，覆盖 11 个领域，并要求它们超越已发表的最佳模型。

它们在全部 20 项测试中都超过了最佳模型。Claude Opus 平均比已发表的最佳模型提升 10.4%，且没有任何一次运行被标记为存在不当行为。

这些提升几乎完全来自标准的机器学习工程技巧。从执行轨迹可以看出，智能体误判了哪些内容具有创新性，导致计算资源闲置，并满足于小范围的局部参数扫描。

加入三项轻量级技能，分别用于研究构思、实验管理和定时检查清单后，Claude Opus 的提升幅度从 10.4% 提高到 20.1%，Codex 则从 4.4% 提高到 8.1%，且所做改动更加多样，也更贴合具体领域。

模型本身没有变化，而研究脚手架让性能提升几乎翻倍。

arxiv.org/abs/2610.28763

与论文对话：academy.dair.ai/papers/autom…