FrontierScience：评估人工智能执行专家级科学任务的能力

本文推出 FrontierScience 基准，旨在评估前沿语言模型的专家级科学推理能力。针对现有科学基准趋于饱和且多依赖选择题的局限，该基准包含“奥林匹克”与“研究”双赛道：前者涵盖物理、化学及生物的国际奥赛难题；后者由博士科研人员设计，模拟真实科研子任务。此外，研究引入了基于量表的细粒度评估框架，不仅关注最终答案，更全程评估模型解决复杂科研任务的推理过程。