科学研究基准 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 科学研究基准 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 创意重建 1 Reconstruction：从发表前参考文献盲重建研究创意 08-18 历史回测 1 科学问题发现的历史回测协议与天文学试点 08-18 发现能力评测 1 Apodex Discovery：面向真实发现任务的AI评测环境 08-18 工作流评测 1 FrontierChallenge：科学工作流完成度评测 08-28 形式化评测 1 FormalTCS：端到端前沿理论计算机科研评测 08-21 技术趋势分析 1 BackTrend：基于反向重建的科学弱信号预测评测 09-22 智能体评测 1 Quantum-Harbor：量子工程智能体的可验证自主性评测 09-16 模型可靠性 1 可信 AI 审稿人的修辞鲁棒性评测与 SciCore 方法 10-01 演化能力评测 1 StudyBench：测量自我进化知识吸收与迁移效率的物理奥赛基准 09-10 灾害评测 1 EarthVerse：动态地球系统与自然灾害科学智能体基准 08-25 科学编程 1 SWE-bench Science：科学软件工程中的编码智能体评测 08-21 科研评测 22 Ai2 发布新颖性评判基准，揭示 LLM 裁判高度不稳定 10-29 Auto-Research Arena：语言模型自动研究多目标评测基准 10-27 顶刊已发表论文的 LLM 同行评审可靠性评测 10-25 Agent4Sci：评测前沿智能体能否推进科学机器学习 10-22 Into the Unknown：开放式科学研究智能体基准 10-20 AI 驱动的科学发现可复现性与分析稳健性评估 10-19 OpenRSI Index：从刷榜走向真实科研评测 10-18 PhysClosureBench：评测科研智能体的证据闭合能力 10-18 InnovationEval：AI自主研发仅达人类方案15% 10-10 自动化研究如何评估：基准与评估实践综述 10-09 PaperBenchX：AI端到端论文完整复现率仅13.98% 10-08 InnovationEval：前沿模型未能创新并出现评测作弊 10-08 SciExam for ENSO：AI 智能体能否构建气候模型？ 10-08 DrugTargetWorld：训练与评测 AI 科学家的合成生物样本库 10-08 OSWorld-Science：科学软件操作智能体评测基准 10-01 TCSAlgBench：研究级理论计算机科学自动证明基准 09-30 ExplorationBench：在可验证异世界中评测 AI 探索能力 09-25 SciDocBench：面向科学文档理解工作流的评测基准与数据管线 09-07 TruthInsightBench：基于证据的开放式科学发现智能体评测基准 09-07 SCILAWS-BENCH：评测 LLM 在真实与平行世界中发现科学定律 09-02 ScienceArena：最新科学奥赛大模型评测基准 09-01 ASI-Bench：评测 AI 自主科研与创新探索能力 08-20 科研评测基准 1 DeltaML-Bench：真实科研仓库中的机器学习智能体评测 08-21 算法设计 1 AI4AI-Bench：评测 LLM 智能体的递归自改进算法设计能力 08-21 自动化科学研究 1 最大规模AI自主科研测试：Fable 5断层领先 08-17 计算评测 1 AtmosCoder-Bench：执行验证揭示环境科学计算中的隐性失败 08-20 评测基准 2 AutoSciBench：自主生成并迭代适配科学智能体评测基准 10-08 ReGround：将审稿意见定位到多模态论文证据 09-11 语言推理 1 IOL-AI Challenge：以语言学奥赛推进语言推理评测 08-19 过程评测 1 超越最终得分：长程 AI 研发智能体的系统评估 08-16
