#基准
共 3 篇
科研 agent 大考：最高分 80.9，稳过线只有四分之一
一个覆盖 11 个学科、7 类研究任务、120 道专家题的科研 agent 基准：十款前沿模型同考，最高分 80.9 但仅 26% 的运行达到 0.95 成功线。买 agent 做科研辅助前，先看这份成绩单的口径。
让模型复现物理论文，能到哪一步
一个新基准把物理论文拆成 63 道复现题和 43 道推广题，五个模型在复现上最高不到七成，闭卷推广的跨度从不到两成到七成多。读完你会知道「会推导」和「会做研究」差在哪。
世界模型分不清看到的和记得的
一个新基准把同一道物理题配成五种不同证据来问，结果视频模型在地球常识题上很准，一旦物理参数被改过，它们还是按老经验作答。读完你会知道「懂物理」该怎么拆开测。