Science’s Last Exam（SLE）是一项于2026年11月推出的科学智能体端到端科研能力评估基准，由AItonomy Foundation牵头，联合全球5个国家34所顶尖高校与科研机构的博士生与博士后共同编写和审校。根据牵头机构发布的横向对比，该基准的系统完整性超过此前所有同类基准。目前已有8个前沿模型完成测试：GPT-6.1 Sol、Claude Opus 5、DeepSeek V4.1 Flash、Qwen3.8 Max、GLM-5.3 Flash、Kimi K3.1 Pro、MiniMax-M3与MiMo-V2.6-Pro。基准设有7个子榜单：假设发现类别中DeepSeek V4.1 Flash断层式领先位居第一，GPT列第七、Claude列第六；实验规划由GLM-5.3 Flash与Kimi K3.1 Pro并列第一；科学计算由GPT与Claude并列第一；科学软件操作中Claude Opus 5夺冠，GPT居次席；实验观察由GPT-6.1 Sol排名第一。值得注意的是，端到端研究方向8个模型得分全部为0，湿实验执行暂无任务与排名。编者观察到，在类风湿关节炎相关任务中，GPT Sol专注于审视结论，Claude Opus则像在组织可供探索的故事，风格差异明显。与历届’Last Exam’类似，该基准可能在不久的将来被’刷爆’，但基准制定者正通过量化能力的方式，深刻影响着AI智能体的发展方向。
事件分析
端到端研究全员零分是本次评测最具信息量的结果：模型在假设、规划、计算等单项上的能力，尚无法串联为完整的自主科研闭环，说明当前智能体的短板不在单点性能，而在长程任务编排与自我纠错。DeepSeek在假设发现上的断层式领先，以及GLM、Kimi在实验规划登顶，显示国产模型在科学推理类任务上已具备与头部模型分庭抗礼的实力。各模型在不同子榜单上的表现明显分化，反映出训练目标与数据分布的差异化路线。后续值得关注湿实验执行板块的落地方式——若能接入真实实验平台，将是科研智能体从’纸上推演’走向物理世界的关键一步。同时，随着模型迭代加速，该基准的’刷爆’周期预计会明显缩短，可能催生动态化、对抗性更强的新一代评测机制。
核心观点：AI单项能力已高度内卷，端到端科研全员零分揭示智能体的真正瓶颈在于长程自主性而非知识密度。
原文链接：Linux.do
