Science’s Last Exam 评估框架图：六项能力与一项端到端科研
SLE 博文图 1：六项科学能力与一项端到端科研评估（Wet-lab 在建，端到端标注 To be expanded）。, Science’s Last Exam / AItonomy Foundation

要点

  • 规模：113 个公开任务，九学科；六项能力评估加一项端到端科研（端到端标注 To be expanded；Wet-lab Execution 仍在建设、无已发布任务）。
  • 榜单（2026-11-04）：8 模型；Claude Opus 5 High 综合 37.50；端到端科研对所有已上榜模型为 0。Opus 5.5 与 GPT-6 Astra 因生物护栏显示 N/A。
  • 可证伪点是综合分、端到端全 0 与任务计数能否对照公开榜；不是「AI 已经能独立完成科学研究」。

AItonomy Foundation 发起的 Science’s Last Exam（SLE）问的是：给定一个研究目标，AI agent 靠真实工具与材料能走多远。2026 年 11 月 4 日公布的能力榜列出 8 个模型。综合分最高是 Claude Opus 5（High）的 37.50；站点写明，综合分等权纳入六项评估，其中端到端科研对所有已上榜模型均为 0。

这把「会做科研」从口号拆成可核对的分数结构：能力项可以拿分，完整研究闭环目前公开结果是全员零分。Claude Opus 5.5 与 GPT-6 Astra 因提供方生物护栏限制生物学研究流程，榜上显示 N/A，尚未计入。检验应落在这些公开数字，而不是落在「AI 已会独立做研究」的外推。

[1]

硬事实（https://sciences-last-exam.org/、/leaderboard、/blog、/docs；榜单标注 Published 4 November 2026；访问于 2026-11-06，上海时区）：

  • 组织：AItonomy Foundation（美国非营利）；任务由 34 所机构的博士生与博士后以个人身份设计与审阅，提及 Stanford、Oxford、Princeton 等。
  • 任务：113 个公开任务；九学科为统计、物理、天文、化学、地球科学、生物、工程、材料、医学。
  • 框架：六项能力——Hypothesis Discovery、Protocol Planning、Scientific Computing、Scientific Software Operation、Wet-lab Execution、Experiment Observation——加一项 End-to-end research。文档写明 Wet-lab Execution 在建、无已发布任务与分数；End-to-end research 标注 To be expanded，但计入综合分。
  • v1 数量拆分（docs）：Hypothesis Discovery 5、Protocol Planning 40、Scientific Computing 23、Scientific Software Operation 14、Experiment Observation 30、End-to-end research 1。
  • 榜首：Claude Opus 5 / Claude Code / High，综合 37.50，约每任务 19.70 美元、均时约 17 分 31 秒。其后 GPT-6.1 Sol 36.15，Kimi K3.1 Pro 28.92 等。
  • 关键规则：综合分等权六项评估，含端到端科研；已公布结果里端到端对所有上榜模型为 0。
  • 未评：Claude Opus 5.5、GPT-6 Astra 因生物护栏限制生物学研究工作流，结果显示 N/A；站点称获研究访问批准后补评。

示例任务（博文）：在计算模型中为抗血栓药 ticagrelor 选择最低日总剂量与给药间隔，并在不同血管几何、血流与药代反应下站得住。

[1]

证据强度：公开榜单、文档与博文构成一手基准说明。37.50 的榜首分、端到端全 0、113 任务与九学科，都可以对照 leaderboard 与 docs 复核。Opus 5.5 / Astra 的 N/A 也有站点自己的护栏说明，不是猜测。

可检验路径：打开 leaderboard 核对 8 模型分数；读 docs 中的任务计数与「端到端计入综合且当前为 0」；抽查一个公开任务包是否真有预留参考与独立校验。若端到端扩展后分数仍被写成「已会独立科研」，应下调外推。

钢人：把能力项与端到端拆开，能避免用文档问答或单点计算高分，冒充完整研究循环。公开写明全员端到端为 0，本身就是少见的诚实信号。

[1]

最强钢人：真实研究要在证据与假说之间找缺口、决定下一步。SLE 用预留参考与独立校验器压住「看起来像论文」的空转，比再堆一个选择题基准更贴近实验室失败模式。

钢人风险：端到端目前只有 1 个任务且标注 To be expanded；Wet-lab 尚无分数。综合 37.50 是能力项与一个必为零的端到端槽位的等权平均，读榜时不要忽略分母结构。Opus 5.5 与 Astra 缺席，使「前沿模型」比较不完整。博文举出的 OpenAI 内部数学手稿发布，是动机叙述，不是 SLE 分数本身。

「0 分」指端到端科研槽位，不是所有能力项都为零。榜首 37.50 说明部分能力可得分，完整闭环仍未过线。

[1]

对评测与资助方，未来六个月可观察的是：端到端任务是否从 1 个扩容；Wet-lab 是否开始出分；Opus 5.5 与 Astra 在获得研究访问后是否进入榜单；37.50 的榜首是否被打破。对实验室，这提供了一条「工具在手、目标给定、结果可独立核对」的压力测试。

对读者，验收应是公开分数、任务计数与端到端是否仍为 0，而不是「AI 科学家已经上岗」的口号。

[1]

SLE 的检验对象应是公开榜上的综合分（目前最高 37.50）、端到端科研对所有已上榜模型为 0，以及 113 任务 / 九学科的框架是否仍按文档运行；不是「AI 已经能独立完成科学研究」。能力项可以得分，完整研究闭环在已公布结果里仍是零。数字结构对得上，它是一次可核对的科研 agent 基准；对不上，它仍是一个野心很大的排行榜。

【No.2】

[1]