研究与基准测试/2026-10-20/12 分钟SciΠvot:课题负责人判断评测(附录)附录给出阅读项目的客户端、自助区间、26 个项目的研究问题、选项顺序与再考虑、写作者试点、两个完整决策原文、判断编码,以及三种评测提示。
研究与基准测试/2026-10-20/16 分钟SciΠvot:在科学自主研究智能体的关键时刻评测课题负责人判断SciΠvot 用资深研究者在 26 个项目上的纠正做成 248 个课题负责人判断案例。模型只看纠正前的项目记录,在原始计划与人类纠正计划之间选择。中等努力下四个前沿模型低于随机,最高项目准确率 63.5%,新请研究者为 73.4%。