Anthropic研究实锤:AI还做不出真正的科研
Anthropic团队提出面向科学机器学习的评测框架Agent4Sci,覆盖11个领域、20个基准和25个任务,旨在系统评估AI Agent的科研能力。实验显示,四个前沿Agent均能改进基准,Claude Opus平均相对改进达10.4%,加装插件后升至20.1%。但轨迹分析表明,提升主要源于学习率调整、模型替换等常规工程技巧,而非研究级科学洞察。该框架通过标准化任务及隔离爬坡、评估与审计的三阶段协议,有效限制了评估漏洞。研究指出,当前AI尚不具备真正的科研推理能力,未来需关注其能否提出有价值的研究思路。