大语言模型已准备好进行科学发现了吗？面向 AI 科学家的能力导向基准

现有科学数据分析基准主要评估代码执行或工作流完成度，忽视了科学分析旨在支持假设探索、统计推断和机制解释等不同类型的科学主张。本文提出 SDABench，围绕描述、探索、推断、预测、因果和机制六大能力，在五个学科领域重构评估体系。该基准包含真实与合成数据实例。对 15 个主流模型的评估显示，模型在处理描述性分析时表现良好，但在涉及假设选择、潜在过程建模或机制推理的任务中性能急剧下降。