64 ScienceAgentBench
从 44 篇论文提取 102 个数据驱动任务,要求 agent 写出可运行的完整 Python 程序。HAL 榜已暂停收新模型,榜首仍是 2025 年条目,不代表 2026 年模型的水平。
bench-64 · 模型在做什么:多步分析与问答(agent) · 谁判对错:已有参考答案 · 文本与 agent · 2026-11 新收录 · 截至 2026-11-18
概况
| 字段 | 内容 |
|---|---|
| 名称 / 别名 | ScienceAgentBench;全称:数据驱动科学发现的语言 agent 评测(ScienceAgentBench);别名:ScienceAgentBench verified;有歧义、不自动链接:SAB |
| 家族 | 否(原版与 2026 年 verified 版是同一题集的修订,属版本而非家族。) |
| 模型在做什么 | 多步分析与问答(agent) |
| 谁判对错 | 已有参考答案(1 条协议,逐条见下) |
| 领域 | 文本与 agent(次领域:小分子) |
| 发布方 | The Ohio State University(学术实验室) |
| 首次发布 | (依据:论文预印本 arXiv 2410.05080 v1;仓库自述 agent 与评测代码早几天发布,但只有自述、无打标版本,不作首发。) |
| 其他里程碑 | 预印本 v1 (论文预印本 arXiv 2410.05080 v1);代码发布 †(未核实)(仓库 README 更新记录:agent 与评测代码发布(与仓库创建同日)) |
| 最近更新 | ,新版本:发布 verified 版以减少评测假阴性,数据集改为 verified 切分;此后只有 2026-11-16 的链接修正。此为最近一次有出处的事件,不代表此后没有更新 |
| 下一次预期 | 无公告(组织方未公告新一版或新一轮评测。) |
| 规模 | 102 题,来自 4 个学科的 44 篇论文;其中生物信息学 27 题、计算化学 20 题。 明细:任务数(original and verified split) 102;来源论文(original) 44;学科数(original) 4;生物信息学任务(verified split) 27;计算化学任务(verified split) 20;地理信息科学任务(verified split) 27;心理与认知科学任务(verified split) 28;参与验证的学科专家(original) 9 |
| 状态 | ◐ 低频:低频;2026-04 出 verified 版,HAL 榜已暂停收新模型 |
| wet lab 更新 | 静态:无实验;任务来自已发表论文的数据分析,verified 版只修正判分。 |
| 需自补 wet lab | 不需要 |
| 报告模型数 | 1 个计入(榜 1) |
| 当前排名 | ▣ 榜单(见当前排名) |
| 全站实体页 | 无(全站 /entities/ 体系中没有该 benchmark 的页面。) |
| 截至 | 2026-11-18 |
协议拆分与读法
同一个 benchmark 名下常有多场规则不同的考试。下表把它拆成 1 条协议,逐条写明谁判对错、在用的模型和这个分数能回答什么。分类口径见怎么给 benchmark 分类。
| 协议 | 谁判对错 | 隔离 | 在用模型(已核实) | 五维要点 | 能回答 | 不能回答 |
|---|---|---|---|---|---|---|
| 64a ScienceAgentBench | 已有参考答案 | — | 前沿 LLM(榜) | 成功与否由可执行脚本判定,自调试能把成绩抬高近一倍;官方榜停在 2025 年条目,生物类题只占一部分。 | 能回答:在含 27 道生信题的数据驱动任务上,模型配简单自调试外壳能否写出通过判据的完整程序。 | 不能回答:2026 年新模型的水平(官方榜已停更),也不能区分榜上相邻条目。 |
在用模型括号内:榜 = 主办方榜单,自 = 开发方自报,三 = 第三方评测;只列已核实的配对。五维 = 真值可靠性、基线状况、指标效度、饱和度、泄漏风险;"未评估"表示该协议尚未完成五维评审。
测什么、怎么测
- 任务:agent 读入数据集与任务说明,写出一个可独立运行的 Python 程序,产出指定结果文件。
- 真值:论文原分析的参考程序与输出;图像类输出由 GPT-4o 评判。
- 主指标:成功率(SR)
- 次指标:可执行率(VER);CodeBERTScore 与 API 成本
- 版本陷阱:原论文取 3 次尝试最佳,HAL 为单次运行;2026-04 起应用 verified 切分,旧数字与新切分不可直接比。
当前排名
状态:▣ 榜单
- 指标:成功率(HAL,SAB Self-Debug 外壳,单次运行)
- 评测集 / 口径:ScienceAgentBench 102 tasks (HAL, SAB Self-Debug, single run)
- 快照日期:†(未核实)(旧:早于截至日 12 个月以上)
- 榜单页面
当前第一:o3 Medium (April 2025), SAB Self-Debug,33.33%(成功率(HAL,SAB Self-Debug 外壳,单次运行);ScienceAgentBench 102 tasks (HAL, SAB Self-Debug, single run);榜单;†(未核实);旧)
说明:HAL 已暂停收新模型,榜首仍是 2025 年模型,快照标旧;第三方配对复析称 25 个 agent 中 15 个都可能排第一。
| 模型 | 名次 | 数值 | 指标 | 评测集 / 口径 | 来源类型 | 日期 | 出处 | 说明 |
|---|---|---|---|---|---|---|---|---|
| o3 Medium (April 2025), SAB Self-Debug | 1 | 33.33% | 成功率(HAL,SAB Self-Debug 外壳,单次运行) | ScienceAgentBench 102 tasks (HAL, SAB Self-Debug, single run) | 榜单 | †(未核实) | 出处 | 榜单第一名,带 HAL 复现标记 |
| Claude Sonnet 4.5 High (September 2025), SAB Self-Debug | 2 | 30.39% | 成功率(HAL,SAB Self-Debug 外壳,单次运行) | ScienceAgentBench 102 tasks (HAL, SAB Self-Debug, single run) | 榜单 | †(未核实) | 出处 | 与第 1 名相差 3 题;另有两条同为 30.39% |
| OpenAI o1-preview (self-debug) | — | 42.2% | 成功率(原论文,3 次尝试取最佳) | ScienceAgentBench 102 tasks (original paper protocol) | 第三方 | 出处 | 基准作者运行;3 次尝试取最佳,与 HAL 单次运行口径不同 | |
| Claude-3.5-Sonnet (self-debug / direct prompting) | — | 32.4% (self-debug) / 16.7% (direct prompting) | 成功率(原论文,3 次尝试取最佳) | ScienceAgentBench 102 tasks (original paper protocol) | 第三方 | 出处 | 不执行代码的直接提示与自调试外壳对照 |
排名数据读取于 2026-11-18。分数原样照录,不换算、不跨 benchmark 比较。
报告过的模型
按关系类型分组;计数口径见配对矩阵。1 个计入(榜 1)。
官方参赛 / 官方榜单(1)
局限与注意
- HAL 榜已暂停收新模型,榜首仍是 2025 年条目,不代表 2026 年模型的水平。
- 头部分差在一个标准误内(102 题时约 4.7 个百分点);第三方配对复析显示相邻 agent 多数无法区分。
- 生物相关题不到一半:生物信息学 27 题、计算化学 20 题,其余为地理信息与心理学。
- 原论文取 3 次尝试最佳,HAL 为单次运行;2026-04 的 verified 版修正了假阴性,新旧数字不可直接比。
- 数据集与参考程序可下载,存在训练污染风险;作者以删点和替换测试标签等改动缓解。
新模型怎么用
从数据集托管页取 verified 切分的标注表,按官方说明下载完整评测包,用容器化评测脚本运行。报告须写明切分(原版或 verified)、尝试次数、外壳、是否用专家知识,并单列生物信息学与计算化学子集。不需自补湿实验。可搭配 BixBench 与 BioML-bench。
搭配:BixBench · BioML-bench · LAB-Bench / LABBench2 · scBench
来源
- 原论文(ICLR 2025)(预印本)
- 官方仓库与评测脚本(仓库)
- 官方数据集托管页(verified 切分)(仓库)
- HAL 榜单页(榜单)
- 对 HAL 榜单的第三方配对复析(第三方论文)
更正记录
无。
本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。