AItonomy lanza Science’s Last Exam para probar agentes de investigación de extremo a extremo
113 tareas en nueve disciplinas puntúan desde hipótesis hasta observación; las primeras corridas dan 37,5/100 al mejor modelo y cero en extremo a extremo.
Por qué importa
La mayoría de benchmarks científicos preguntan qué saben los modelos. Science’s Last Exam pregunta si los agentes pueden investigar: formular hipótesis, planear protocolos, ejecutar código y software científico y leer observaciones frente a controles expertos ocultos. El conjunto público de AItonomy tiene 113 tareas en nueve campos. Las primeras cifras dan 37,5/100 al mejor de ocho modelos y cero en investigación de extremo a extremo. Los paquetes completos se abren el 6 de noviembre.
Datos clave
- 113 tareas públicas en nueve disciplinas
- Seis pistas de capacidad más evaluación de extremo a extremo
- Mejor puntuación temprana 37,5/100; cero en extremo a extremo
- Dirigido por AItonomy Foundation; sciences-last-exam.org
- Hilo de anuncio 2026-11-05 15:58Z; paquetes el 6 de nov