Science's Last Exam 用可复现验证给科研智能体打分

AItonomy Foundation 推出基准 Science's Last Exam（SLE），包含 113 个任务，覆盖 9 个学科。它不是让 AI 答有标准答案的题，而是给智能体一个研究目标、数据和实验软件，再用智能体看不到的隐藏检查来评分。任务的验证标准由领域专家在构建时封存，成果可以被打开重跑。SLE 用训练截止日期之后发表的论文来核对 AI 假设，防止记忆作弊。结果显示 DeepSeek V4.1 Flash 领先，其 21.28% 的假设预测了后续研究。