34家机构、113道课题为科学能力打分，最高仅37.5分的Science's Last Exam

AItonomy Foundation公开了Science's Last Exam（SLE）。它不是知识问答，而是把研究目标、实验数据与软件交给智能体，再由未公开的专家核查来评分。34家机构制作的9个领域共113道课题中，8个前沿模型的最高分为37.5/100，端到端研究则全部为0分。

核心要点速览

放弃问答形式，把研究目标、实验数据与软件交给模型，并以非公开核查评分
9个领域113道课题由34家机构、5个国家的研究者编写，能力分为6类，另含端到端研究
8个前沿模型最高37.5/100，端到端研究全部为0分

抛弃问答，用研究目标与实验工具为智能体打分

AItonomy Foundation公开的Science's Last Exam（SLE）并不是考查知识的考试。它把真实的研究目标，以及实验数据、软件等现实工具交给智能体，再对照隐藏的专家核查进行评分。衡量的不是答对率，而是推进研究本身的能力。

命题由哈佛、MIT、斯坦福、牛津、普林斯顿等34家机构、5个国家的博士生与博士后以个人身份参与，撰写者与审稿人分开，以保证质量。问题的收件对象与联系方式都向研究者本人公开。

出处[1][3]

9个领域113道课题，6项能力与端到端研究

公开课题共113道，涵盖9个领域。能力分为假设发现、方案设计、科学计算、科学软件操作、实验观察、湿实验，以及端到端研究。湿实验仍在搭建中，询问影像中事件的实验观察等已作为公开任务提供。

GitHub仓库以Apache-2.0开源，主题中并列着claude-opus、gpt6astra、kimi-k3、glm-5-3-flash、deepseek-harness等模型实现名称，以及long-horizon-agents与agentic-workflow。整体按需要走完长流程的智能体评测来组织。

出处[3][4]