Agent4Sci：前沿智能体能否在真实科学 ML 任务上爬坡

研究者提出 Agent4Sci，一个覆盖 11 个领域、20 个科学 ML 基准的长程测试平台，用于衡量前沿编码智能体能在多大程度上改进已发表的最佳模型。实验显示前沿智能体在每个基准上都有提升，Claude Opus 平均相对改进 10.4%，且没有运行被标记为学术不端；但这些收益几乎全部来自 ML 工程技巧而非研究级洞察。