ResearchClawBench
让AI智能体独立做科研：40个真实科学任务 + 两阶段评测，衡量AI能否复现甚至超越人类论文结论
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
让AI智能体独立做科研：40个真实科学任务 + 两阶段评测，衡量AI能否复现甚至超越人类论文结论
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象这样一个场景：你把一份天文观测数据和一篇天体物理学期刊论文交给 AI 智能体，然后问它——「能不能用这批数据，重复出论文里的结论，甚至做得更好？」这不是天方夜谭，而是 ResearchClawBench 正在做的事。
ResearchClawBench 是由 InternScience 团队推出的 AI 智能体（AI Agent）基准测试项目，专门衡量 AI 能否独立开展科学研究——从读取原始数据，到运行实验代码，再到生成带图表的研究报告，最终被一个严格的多模态 LLM 裁判打分评估。整个过程完全自主，无人干预，就像一个真实的科研工作者坐在电脑前一样。
ResearchClawBench 的诞生源于一个深刻的行业洞察：现有 AI 基准测试几乎都在考核「知识储备」和「代码能力」，却没有一个测试能真正衡量 AI 端到端完成科研任务的水平。传统的 MMLU、GSM8K 测的是模型「知道什么」，SWE-bench 测的是模型「会写代码」，但科研工作的核心是：从模糊的问题出发，检索文献、理解数据、设计实验、验证假设、产出成果——这条链路此前无人触及。
团队由来自多所研究机构的科学家组成，他们深知科研工作的复杂性。2026年6月，ResearchClawBench 论文正式在 arXiv 发表（arXiv:2606.07591），并同步在 Hugging Face 发布数据集镜像，迅速吸引了 OpenAI、Anthropic 等头部公司的关注——多个大模型已在官方排行榜上提交了评测结果。
ResearchClawBench 采用独特的两阶段设计。
第一阶段：自主研究（Auto Research）。AI 智能体进入一个沙盒工作区，收到原始数据集、参考文献和任务说明（INSTRUCTIONS.md），随后独立完成数据探索、代码编写、图表生成和研究报告撰写。没有任何提示词（Prompt）的逐步引导，智能体必须自主判断研究方向、选择合适的方法、调试代码、最终输出 report/report.md。
第二阶段：评分裁判（Evaluation）。当智能体完成任务，其研究报告与原始发表论文（Target Paper）一起被送入多模态 LLM 裁判。裁判依据一份精心设计的评分清单（Rubric Checklist）逐项打分，每项包含关键词、权重和评分标准，满分100分，50分代表「与论文持平」，70分以上代表「超越论文」。裁判自动判断使用「目标优化模式」（定量指标对比，如 ROC-AUC、回归误差）或「诊断分析模式」（定性推理深度对比），严格程度堪比真正的学术同行评审。
值得注意的是，排行榜上已有多个模型在部分任务中突破 70 分，意味着 AI 确实可以在特定科学问题上超越人类论文的结论——这在 AI 评测史上尚属首次。
ResearchClawBench 包含 40 个精挑细选的研究任务，涵盖 10 个科学领域，每个领域 4 个任务：
每个任务都由领域专家人工构建：从高影响力期刊论文中提取核心研究问题，设计评分清单，搜集实验数据，再由人类研究员独立复现验证，确保任务可完成、评分标准有据可依。
ResearchClawBench 的另一大特色是对智能体类型完全开放。评测框架内置支持以下智能体：Claude Code（Anthropic）、Codex CLI（OpenAI）、OpenClaw（anomalyco）、Nanobot（HKUDS）、EvoScientist（自进化科学家）、ResearchClaw（内置论文检索和文献综述技能）、LingTai，以及轻量级基线框架 ResearchHarness。
添加新智能体只需修改 evaluation/agents.json 一个 JSON 文件，无需改动核心代码。智能体通过统一的 <PROMPT> 占位符接收相同的研究任务指令，框架本身不介入智能体的决策过程——真正做到公平对比。
后端基于 Flask 构建，通过 Server-Sent Events（SSE）实现实时流传输——用户在 Web UI 上可以实时看到智能体在写代码、跑程序、生成图表的全过程。核心评估逻辑封装在 evaluation/score.py 中，调用多模态 LLM（GPT-5.1 等）作为裁判，对研究报告进行逐项评分。
evaluation/run_task.py 负责工作区初始化和智能体子进程管理，evaluation/config.py 管理路径和常量配置，evaluation/cli_eval.py 则提供命令行批量评测能力，支持并发运行、重复试验和自动计分，可输出 Markdown 格式的评测报告。
依赖生态以 Python 为主：flask>=3.0（Web 服务）、openai>=1.0（LLM 裁判接口）、researchharness>=0.0.48（轻量级评测基线）、openpyxl（处理数据文件）、PyYAML（CLI 配置）、structai（评分引擎）。
ResearchClawBench 并非完美。首先，评测结果高度依赖裁判 LLM 本身的能力和提示词质量——裁判自身的偏见可能影响分数公正性。其次，50分「与论文持平」的判定标准存在主观性：不同论文的质量参差不齐，「持平」本身并不等价于「高质量」。第三，所有任务来自已发表的论文，AI 智能体可能通过记忆训练数据「作弊」而非真正推理，团队尚未在评测中明确处理这一问题。
此外，该框架目前没有 Docker 支持，用户需要手动安装 Python 依赖和至少一个 AI Agent CLI，配置 LLM 评分密钥，对非技术用户门槛不低。
ResearchClawBench 的出现标志着 AI 评测从「知识问答」向「科研创造」的范式转移。排行榜数据显示，GPT-5.4、Claude-Opus-4.8、Gemini-3.5-Flash 等头部模型在部分任务上已稳定超越论文基线，而 50-70 分区间仍是大多数模型的瓶颈——这为 AI+Science 研究提供了清晰的能力坐标和进步方向。
更值得关注的是，ResearchClawBench 是首个将「超越人类论文」设为明确评测目标的开源基准。从「复现」到「超越」，这条路线的开放，意味着 AI 在科研领域的真正突破可能比大多数人的预期来得更快。