站内内容与 AI 工具一站式检索。
研究团队推出 Agent4Sci 测试平台，覆盖 11 个领域 20 个科学机器学习基准，评估前沿编程智能体能否超越已发表最优模型。结果显示智能体平均相对提升最高 10.4%，但主要靠工程技巧而非科研洞察。
研究审计了 ToolUniverse 中 15 个科学工具与智能体的交互，发现 91 处静默失败——工具调用看似成功但数据缺失且无任何提示，多发生在 API 层和封装层，可能向下游传播污染科研输出。