PaperBenchX评测：10个前沿AI模型在科学论文复现中集体“翻车”

发生了什么

据品玩报道，UniPat AI推出PaperBenchX评测，测试10个前沿Agent配置在12个科学方向的93道题中的复现能力。结果显示70道题未被任何配置完全复现，表现最好的GPT-6 Astra仅14%任务过关，国产模型约7%。评测发现模型在科学验证环节得分较低，且长时间交互未必提升有效产出。