Anthropic 提出 Agent4Sci：代码智能体在 20 项科学 ML 基准上超越已发表最优模型

Anthropic 发布 Agent4Sci 论文，让前沿编程智能体在 11 个领域的 20 项科学 ML 基准上挑战已发表最优模型，结果全部超越。Claude Opus 平均改进 10.4%，且没有任何一次运行被标记为学术不端。分析显示收益几乎全部来自标准 ML 工程技巧，智能体常误判新颖性、闲置算力并陷入小范围参数扫描。加入科研构思、实验管理、定时清单三个轻量技能后，Claude Opus 的提升从 10.4% 升至 20.1%，Codex 从 4.4% 升至 8.1%。模型本身不变，研究脚手架让收益大约翻倍。