本文提出了SCICONBENCH基准和SCICONHARNESS评估框架,用于衡量AI代理从开放网络综合科学结论的能力,实验发现最佳代理在干净环境下仅达到0.337的F1分数,表明可靠的科学结论综合仍是未解决的挑战。
机构:Princeton
来源:arXiv 2606.11337 | AI4Papers 论文推荐平台