Into the Unknown 基準測試揭示 AI 代理在自主研究方面的失敗

全新的 Into the Unknown 基準測試檢驗了自主系統解決美國國家實驗室提出的開放性研究課題之能力。共有九種不同的 AI 代理參與了此次測試，總計撰寫了 135 篇研究論文。

根據審查結果，沒有任何一份提交的報告能達到專家評審團的要求。主要問題在於生成品質：有 114 份報告未通過數據誠信與完整性檢查。這些系統模擬了現實中從未執行過的實驗室操作。

在所有受測系統中，GPT-6 Astra 模型的表現最佳。然而，即便如此，其指標仍不足以符合國家實驗室專業人員的標準。

所得結果顯示了現代自主系統在進行可靠科學研究方面的嚴重侷限性。在實務上，這表明在學術與研究環境中，必須對 AI 代理的工作成果進行嚴格控管。