Hi, 请登录     我要注册     找回密码

科研智能体大考放榜：DeepSeek断层领跑假设发现，端到端研究八大模型全员0分

分类：未分类 阅读() 评论(0)

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

C code80.ai · AI 编码 API 聚合 Claude / GPT 多模型统一接入,稳定不限速,按量计费,几行配置接入 Claude Code。 了解一下 ›

相关推荐

抢沙发

评论前必须登录！

立即登录   注册

易安
易安作者
长期关注 AI Agent、软件工程、自动化工作流与个人生产力系统。喜欢把复杂技术拆成普通人也能上手的实践教程,也记录自己在工具链、编程、内容创作和知识管理上的真实折腾。
  • 分享 AI 工具、Agent 工作流与提示词工程的实战经验
  • 记录从想法到产品、从代码到上线的完整实践过程
  • 关注普通人如何用 AI 放大能力,而不是被工具牵着走
阅读作者的全部文章 ›
文章目录

    置顶推荐

    Code80 · AI 编程巴士

    前沿哨所

    • 开发者榨干 Gemini 3.8 额度，用 Antigravity 打造开源五笔拼音输入法

      一位开发者在 V2EX 分享了一款自研输入法项目 PersonalIME，代码已开源至 GitHub。项目起因是 macOS 内置五笔输入法存在频繁自动插入表情符号的问题且无法关闭，作者遂自行开发替代方案。该输入法目前对 macOS 的支持较为完善，Windows 版本仍在逐步补充中，功能上同时支持五笔与拼音两种输入方式，并提供中英文切换能力，作者对现有成果表示满意。值得注意的是，项目开发大量借助了谷歌 AI 编程工具 Antigravity 与 Gemini 3.8 模型。作者提到近期 Antigravity 响应速度有所恢复，并透露两档订阅价格：一档为前三个月每月 4.9 欧元的标准 Pro 套餐，之后涨至 18.9 欧元；另一档为 18 个月 9.9 元人民币的套餐。额度使用方面，作者称 Gemini 4 与 Claude Sonnet 5.5 的每周限额已用尽，Gemini 3.8 额度尚余 74%，其中大部分 token 消耗在 macOS 输入法的安装调试环节，旧版本缓存不读盘、系统权限等问题耗费了大量 AI 对话轮次。这一案例完整呈现了个人开发者借助大模型交付系统级应用的过程，也侧面反映了当前主流 AI 编程工具的额度配额机制与订阅定价现状，为关注 Vibe Coding 实践的开发者提供了具体参考样本。

      事件分析

      从技术角度看，输入法属于系统级底层应用，涉及进程权限、缓存机制与操作系统深度交互，比一般脚本或 Web 项目更考验 AI 辅助开发的调试能力。原文提到的旧版缓存不读盘、各类权限问题，正是 AI 编程工具在系统级开发中的典型痛点：模型能快速生成代码，但环境相关的疑难杂症往往需要多轮对话、消耗大量 token 才能定位。产业层面，文中透露的 Antigravity 订阅价格梯度与各模型周限额机制，折射出 AI 编程工具市场正在形成低价引流、限额分层的商业模式，重度用户在多个模型间轮换使用已成为常态策略。后续走向上，若该项目持续迭代，Windows 版的完善将检验 AI 辅助开发的跨平台可迁移性，开源社区的反馈也可能推动其从自用工具演变为面向五笔用户的通用产品，为小众输入需求的开源生态提供新样本。

      核心观点：当「榨干 AI 额度」成为开发动力，AI 编程工具正在重塑个人开发者的生产力边界与成本结构。

      原文链接：V2EX 分享发现

    • 开发者用Rust重写WhatsApp客户端，ZapFast挑战臃肿的Electron方案

      ZapFast是一款在GitHub上开源的WhatsApp桌面客户端项目，由开发者使用Rust语言和egui图形界面框架构建，主打快速、原生的使用体验。该项目的出现针对的是WhatsApp官方桌面端的不足：官方桌面应用长期基于Electron技术栈，需要内嵌完整的Chromium运行时，内存占用高、启动缓慢常被用户诟病。ZapFast选择了另一条技术路线，用系统级语言Rust直接实现客户端逻辑，配合即时模式GUI框架egui渲染界面，以获得更低的资源消耗和更快的响应速度。egui是Rust生态中颇具人气的纯Rust GUI库，具备跨平台能力和较高的渲染效率，适合构建轻量级桌面应用。该项目发布后登上Hacker News首页，引发开发者社区对原生客户端与Electron方案优劣的讨论。需要指出的是，ZapFast并非WhatsApp官方产品，WhatsApp隶属于Meta公司，Meta对第三方客户端长期持严格限制态度，非官方实现需要逆向或模拟官方协议，此前WhatsApp Plus、GB WhatsApp等类似项目均曾面临账号封禁风险。目前项目仍处于早期开发阶段，功能完整度、协议稳定性和跨平台表现有待进一步验证。

      事件分析

      从技术视角看，该项目是Rust向桌面应用领域持续渗透的一个缩影，egui等即时模式框架正成为Electron之外的轻量化选项，对通讯工具这类常驻应用尤其有吸引力，内存占用可从数百MB降至数十MB量级。产业层面则存在明显风险：Meta从未开放WhatsApp桌面协议，非官方客户端依赖逆向工程实现，服务端协议一旦变更或风控策略收紧，项目随时可能失效，历史上同类项目大多以封号或弃坑收场，这为ZapFast设定了实用的天花板。其更大的价值在于展示Rust加egui的桌面开发范式能否跑通复杂网络应用的完整链路。后续走向上，项目能否获得持续维护、是否转向合规对接路径，以及egui在复杂UI场景下的表现，将共同决定其生命周期。

      核心观点：Rust重写客户端折射开发者对Electron臃肿化的集体反噬，但绕开官方协议的产品注定活在封号阴影之下。

      原文链接：Hacker News

    • 40岁程序员被AI漫剧上头：不想再写代码，想转型做AI动画

      一位40岁的V2EX用户发帖称，近期在抖音刷到一部AI漫剧《重生螳螂：无限吞噬进化》，观看后感到上头，随即在社区询问是否有其他用户正在从事AI漫画或AI漫剧制作。他希望了解制作一部AI漫剧所需的时间成本、生成成本，以及目前业界主要使用哪些模型，并表示自己不想再写代码了，流露出向AI内容创作方向转型的意向。AI漫剧是近年短视频平台兴起的一种新内容形态，通常以大语言模型生成剧本、图像生成模型绘制角色与场景，再借助图生视频模型和配音合成技术串联成剧。相比传统动画，其制作周期和成本大幅降低，个人创作者或小团队即可完成量产，因而在抖音等平台迅速铺开。《重生螳螂：无限吞噬进化》这类作品虽在画面精细度和剧情连贯性上仍有明显瑕疵，但凭借猎奇题材和快速更新能力获得了可观的播放量。该帖反映出两个值得关注的现象：一是AI生成内容已大规模进入大众娱乐消费场景；二是部分资深开发者正考虑借AI工具从代码开发转向内容生产，寻求新的职业路径。帖子也引发了社区关于AI漫剧制作工具链与商业化前景的讨论。

      事件分析

      AI漫剧的技术管线通常由四个环节构成：大模型生成剧本与分镜、文生图模型产出角色立绘与场景、图生视频模型驱动动态画面、TTS配音合成并辅以剪辑拼接。当前主流方案多以开源文生图模型配合商用视频生成API，单集成本可控制在数百元以内，制作周期从数天到数周不等，远低于传统动画流程。产业层面，抖音、快手等平台已出现专门的AI漫剧账号矩阵，部分作品播放量过亿，广告分账与付费短剧构成主要变现路径，已吸引个人创作者和小型工作室入场。后续走向上，随着视频生成模型在时长、角色一致性和运镜能力上的提升，AI漫剧画面质量将快速逼近低成本2D动画，可能率先挤压低端动画外包市场；与此同时，内容同质化加剧与平台审核政策的收紧，也将成为该赛道能否持续发展的关键变量。

      核心观点：AI漫剧走红标志着生成式AI已跨过大众娱乐的可用性门槛，程序员萌生转行动机，则预示内容生产门槛坍塌正在改写职业版图。

      原文链接：V2EX 分享发现

    • 科研智能体大考放榜：DeepSeek断层领跑假设发现，端到端研究八大模型全员0分

      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

    • Claude Max「20倍用量」宣传被指误导，法官裁定Anthropic须应诉

      Anthropic因其Claude Max订阅计划的宣传方式面临集体诉讼。11月6日，联邦法院法官在Kahn诉Anthropic案中作出裁定，驳回了Anthropic要求撤案的相关请求，允许诉讼继续推进审理。原告方主张，Anthropic在推广Claude Max订阅时宣称其用量可达Pro版的「20倍」，但用户实际使用中经常遭遇远低于预期的限额，包括高峰期更严格的速率限制、被降级至较低版本模型等情况，认为该宣传构成误导性营销。法官认定，「20倍用量」的表述可能对消费者产生误导，原告提出的指控足以支撑案件进入下一阶段。此案的核心争议在于：订阅制AI服务的用量承诺应如何界定，以及随服务器负载动态调整的速率限制是否与宣传承诺相符。Anthropic此前曾解释称，用量上限会根据系统负载动态变化，属正常运行机制。该案是AI订阅服务领域较早进入实体审理阶段的消费者诉讼之一，其进展受到行业广泛关注。对依赖Claude Max进行高强度AI编程与长任务处理的订阅用户而言，案件走向也将直接影响后续服务条款的透明度与限额披露规范。

      事件分析

      此案揭示了AI订阅服务商业模式中的结构性矛盾：厂商以「倍数用量」作为高端订阅的核心卖点，但受制于推理算力成本与服务器容量，实际限额往往需要动态调整，宣传数字与真实体验之间存在天然张力。若原告最终胜诉或达成和解，AI厂商可能被迫在订阅页面明确披露限额计算方式、降级触发条件等细节，整个行业的订阅营销规范或将随之收紧。后续值得关注的是：Anthropic是否会再次提出动议抗辩、案件进入证据开示阶段后内部限额策略文件是否公开——这可能暴露模型用量管控的真实设计逻辑，也为竞争对手的定价策略提供参照。

      核心观点：当「20倍用量」沦为营销话术，AI订阅的算力成本约束与消费承诺之间的裂痕，正首次被法律推到台前。

      原文链接：Linux.do

    • AI 周末复刻 FinalShell：Go 语言版 SSH 客户端 FinallyShell 开源

      FinalShell 是一款广泛使用的 SSH 客户端工具，但长期基于 Java 开发，在 Mac 平台上的体验一直不佳。近日，开发者 TooonyChen 在 V2EX 发布了名为 FinallyShell 的开源项目，借助 Claude Opus 模型的 AI 编程能力，在周末时间内对 FinalShell 进行复刻，采用 Go 语言开发，UI 基于 MyGo UI 框架构建，项目代码已托管至 GitHub。界面布局基本参照 FinalShell 设计，同时将会话标签改为左侧竖排形式。功能方面，FinallyShell 支持直接导入 FinalShell 的连接配置和分组信息（密码需重新输入），终端内核采用 Ghostty 的 libghostty-vt，配色沿用 Ghostty 默认方案，支持设置背景图。内置编辑器具备语法高亮、多光标、查找替换功能，打开 GBK / GB18030 编码文件不会乱码。服务器监控覆盖 CPU、内存、负载、网络、延迟、磁盘和进程，每两秒刷新一次。SFTP 支持拖拽上传，可并发三个任务并支持失败重试。文件图标兼容 VS Code 主题，内置 Material Icon 和 Seti 两套方案。安全方面，密码存储于系统钥匙串，配置文件中不含明文。此外，项目支持多层跳板机串联、SOCKS5 / HTTP 代理，端口转发 -L / -R / -D 功能齐备，并提供独立的 Tunnels 页面查看转发状态。作者已邀请用户试用并通过 issue 反馈问题。

      事件分析

      技术上，该项目是当前 AI 辅助开发的典型样本：以成熟商业软件为参照，借助大模型在极短时间内产出功能完整的可用应用。技术选型上，Go 语言替代 Java 降低了资源占用与分发门槛；libghostty-vt 终端内核的引入，显示 Ghostty 等新兴终端项目的能力正以库的形式向外溢出，为第三方客户端提供基础设施；界面层的 MyGo UI 也反映出中文开发者社区组件生态的活跃度。从工具格局看，SSH 客户端领域长期由 FinalShell、Xshell、Termius 等主导，开源替代方案多集中在单一功能点，对标完整产品形态的项目较少。此类复刻能否形成持续维护的社区，取决于安全审计、跨平台适配与迭代速度。值得关注的问题包括：密码不支持迁移带来的迁移成本、企业场景对供应链安全的审查，以及 AI 生成代码在网络工具场景下的可靠性验证。若项目获得持续维护，可能加速同类工具的开源化竞争。

      核心观点：AI 编程将复刻成熟软件的成本压缩到周末量级，老牌工具的护城河正从技术实现转向生态积累与用户习惯。

      原文链接：V2EX 分享发现

    最新文章

    热门专题

    热门标签

    AI编程claude大模型AIAI Agent人工智能开源项目Gemini开发者工具开源Claude CodeGitHub开源工具AI工具开发工具谷歌openaideepseek提示词工程cursoranthropic网络安全AI应用ChatgptAI开发agentAI安全自动化智能体AI智能体

    网站统计

    • 日志总数：29709
    • 评论总数：8
    • 标签总数：17952
    • 用户总数：3675
    • 最后更新：2026-11-11