aadclaw.com · Claude/GPT/Gemini/DeepSeek 全都有，国内直连不翻墙。Claude 官方原价垂打 1.5 折，倍率只收 1 倍。🎁 注册即送 5 美元试用金，充了就能跑。
这一次，泼冷水的不是别人，是 Anthropic 自己。
它搞了一套叫 Agent4Sci 的评测框架，专门测"AI 到底能不能做科研"。结论挺扎心——四款顶级 AI Agent 的进步，大多来自"常规工程技巧"，而不是真正理解了科学问题。
换句话说，AI 能刷高指标，但离"科学家"还差着一层窗户纸。
Anthropic 为什么要"拆自己的台"
现在的 Coding Agent，正把机器学习研究变成能自动跑的工作流。但问题在于——过去大家都在"结构良好的代码库、单一任务、计算机领域"里测，缺乏跨学科的、真实的科研场景。
更麻烦的是，直接在原始科研代码库上测并不可靠：当仓库没有明确指标、没有规范的数据划分时，Agent 可能利用"评估漏洞"拿到表面上的提升，而不是真的把模型改好了。
所以 Anthropic 干脆自己搭了个更严的考场——Agent4Sci，覆盖 11 个科学领域、20 个基准、25 个任务，还设计了"爬坡、评估、审计"三阶段隔离协议，专门堵住作弊空间。这项工作，入选了 NeurIPS 2026。
考出来的分数，其实不低
先看好的一面。四个前沿 Agent 在固定资源（8 张 H200 GPU、12 小时预算）、人类不插手的前提下，平均相对改进分别是：
Claude Opus 4.6：10.4%；Claude Sonnet 4.6：9.6%；Gemini 3.1 Pro：6.8%；Codex（GPT-5.4）：4.4%。
而且，全部 20 个基准，都至少被一个 Agent 改进过，单项提升幅度从 1.1% 到 64.4% 不等。单看这些数字，好像"AI 搞科研"已经成了。
但真相，藏在"过程"里
真正有意思的，是研究团队去翻了 Agent 的"操作轨迹"。
他们发现，这些提升大量来自成熟、通用的机器学习工程技巧——调学习率、把模型加深加宽、换骨干网络、加权重衰减……而真正针对具体科学问题、有洞察力的干预，相对少见。
举个正面的例子：在电力潮流估计任务 PFDelta 里，Opus 通过调整辅助损失、提高均方误差损失权重、改用带预热的余弦退火，把平均功率平衡损失降低了 64.4%。在锥体检测任务里，它把 RetinaNet 换成更合适的 Faster R-CNN，mAP 从 16.5 提到 30.4。
厉害吗？厉害。但请注意——这些更接近"工程调优",而不是"科学发现"。
装上"插件"后，画风变了
研究团队又做了个对照：给 Agent 加装三个轻量插件技能（研究构思、实验管理、定时检查清单）。
结果，Opus 的平均相对改进直接从 10.4% 冲到 20.1%，20 个基准里 18 个都改善了。PFDelta 更是从 64.4% 一跃到 91.0%——而且这一次，它的解法"读起来更像物理推理"：识别出功率平衡损失其实可以由基尔霍夫定律推导、无需标签，于是把它重构成训练主损失，再用图神经网络给潮流方程做暖启动，一步步把物理残差压向零。
这说明什么？Agent 缺的不是算力，而是"怎么像科学家一样思考"的方法论。给它合适的"科研脚手架"，它就能从"调参工"往"研究者"挪一步。
💡 想亲自试试前沿模型的能力边界？去 aadclaw.com，Claude/GPT/Gemini/DeepSeek 主流模型一个平台跑通，官方原价 1.5 折、Claude 倍率 1 倍，国内直连，注册还送 5 美元试用金，自己上手测最有说服力。
这盆冷水，其实是好事
Anthropic 这份研究最有价值的地方，不在于"AI 有多强"，而在于它把"AI 到底强在哪"这件事，变成了可复现、可审计的问题。
它不只是问"Agent 能不能提高指标"，更要分辨——这个提升，究竟来自成熟的工程套路，还是来自对科学问题本身的理解。
这个区别很关键。因为刷高指标，和真正做出科研突破，是两回事。AI 现在擅长的是"把实验做得更高效"，而"提出有价值的研究思路"，才是它下一步要跨的坎。
你觉得 AI 离真正的"科学发现"，还有多远？评论区聊聊。
🚀 大模型 API，就上 aadclaw.com
Claude / GPT / Gemini / DeepSeek 主流模型一个平台跑通，官方原价 1.5 折、Claude 倍率 1 倍，国内直连、充值即用，告别翻墙和信用卡折腾。
🎁 新用户注册即送 5 美元试用金，领了直接试，主流模型一测便知。
👉 立即注册体验 → www.aadclaw.com
💬 想第一时间聊 AI、蹲最新模型资讯？
扫码加入我们的 token 交流群，一起交流、拿一手消息 👇
