Anthropic Agent4Sci 测评揭示智能体主要依靠 ML 工程技巧提升科研模型

Anthropic 与 Anthropic Fellows Program 发布 Agent4Sci 长程测试集，通过覆盖 11 个领域、20 个基准，衡量编码智能体改进科学 ML 模型 SOTA 的能力。Claude Opus 平均相对提升 10.4%，所有运行均无学术不端标记；轨迹分析显示，提升主要来自 ML 工程技巧而非领域洞见，针对性 skills 可显著改善表现。