已收录文章摘要，完整内容可前往原文阅读。
目前的 AI Agent，能在顶级学术期刊 Nature 论文的核心实验中超过人类研究者吗？过去的评测体系，要么侧重论文复现能力，衡量是否能够还原已有方法，要么关注 Kaggle 竞赛或模型后训练任务