Agent4Sci 测试床发布：前沿智能体在科学 ML 基准上的表现与局限

论文提出 Agent4Sci，一个衡量前沿编程智能体能否改进科学 ML 基准已发表最优模型的长程测试床，覆盖 11 个领域共 20 个基准。Claude Opus 平均相对提升 10.4%，但增益几乎全部来自常规 ML 工程技巧而非研究级洞察，并呈现新颖性误判、资源利用不足和快速坍缩为局部工程扫参三类局限。