Anthropic发布Agent4Sci评测框架，四个前沿Agent均改进全部20个科学基准

Anthropic研究团队提出Agent4Sci评测框架，旨在衡量AI Agent在科学机器学习任务中的长程自动改进能力。该框架覆盖11个科学领域、20个基准和25个任务，相关论文已入选NeurIPS 2026评估与数据集赛道。

实验比较了Claude Opus 4.6、Claude Sonnet 4.6、Gemini 3.1 Pro和Codex（GPT-5.4）四个前沿Agent。结果显示，四个Agent合计改进了全部20个基准，其中Claude Opus的平均相对改进达10.4%，加入三个插件技能后提升至20.1%。

Agent4Sci的构建分为两步：先通过四阶段筛选与人工标准化选定基准任务，再以三阶段协议将爬坡、评估与审计隔离，防止Agent利用评估漏洞获取表面提升。研究团队在实验中发现，Agent的改进主要来自学习率调整、模型结构替换等常规机器学习工程技巧，针对具体科学问题的干预相对少见。

团队为此设计了研究构思、实验管理和定时检查清单三个轻量插件技能，使两个Agent的平均改进接近翻倍。研究团队表示，Agent4Sci将自动化科研中的模型改进能力转化为可复现、可审计的评测问题，也有助于区分提升究竟来自工程技巧还是对科学问题的理解。