ASAGENT SCIENCE · BENCHMARKS
科学评测手册 · 2026.10
科学评测资源/成绩对照矩阵/ResearchClawBench 成绩
本页目录

SCIENCE BENCHMARKS / RESULTS

ResearchClawBench 成绩

40 个真实论文驱动的端到端科研任务，覆盖10学科，RADS将结果锚定原论文的科学证据质量。

默认显示完整40题组。部分覆盖组来自官方快照的评分缺项，缺失不计0；缺题详情见各组协议。这些均值不与完整40题组共同排名。

查看部分覆盖报告的模型与题量

基准官方网站 ↗ · 成绩矩阵 · 基准介绍

每组仅在已取得精确数值的记录中排序，不跨组比较；模型与 Agent / 运行方法、推理强度和预算共同构成运行配置。未报告的设置保持标注。

官网 Pass@1 · 完整 40 题

版本
official snapshot 2026-10-10
赛道
single-run RADS / failures rerun where possible
数据集
all-40
任务数
40
主指标
RADS
统计口径
每题单次已评分结果的算术均值；显示一位小数

0–100；50对应原论文水平，超过50表示reference-surpassing evidence，不自动等于已验证新发现。

同一来源内比较；运行条件差异仍须结合每行配置解释。

仅包含40题均有有效分的配置（19个）；不同agent/模型及社区提交按官方表并列，未公开统一预算。

此处 Pass@1 是官方单次RADS视图名称，不是任务成功率。

19 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。

ResearchClawBench · 官网 Pass@1 · 完整 40 题；仅主指标有数值的记录排名，并列采用 1、1、3。
配置与证据
1DeepSeek-V4-Pro-PreviewQiushi Engine未报告38.6 分
配置、误差与来源

配置说明：原始配置名：Qiushi Engine；模型选择器：deepseek-v4-pro-preview；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 42.8 分；rads_chemistry 30.6 分；rads_earth 44.4 分；rads_energy 45.7 分；rads_information 39.8 分；rads_life 30.3 分；rads_material 41.2 分；rads_math 33.2 分；rads_neuroscience 32.6 分；rads_physics 45.7 分；scored_task_count 40 tasks；mean_cost_per_scored_task 7.63425 USD/task；mean_duration_per_scored_task 10530 seconds/task

成绩位置：data/leaderboard.json → scores["Qiushi Engine"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
2GPT-5.5InnoClaw · 2.0未报告34.9 分
配置、误差与来源

配置说明：原始配置名：InnoClaw (2.0)；模型选择器：gpt-5.5；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 41.6 分；rads_chemistry 32.7 分；rads_earth 27.6 分；rads_energy 30.4 分；rads_information 36 分；rads_life 32.8 分；rads_material 32.4 分；rads_math 34.2 分；rads_neuroscience 35.9 分；rads_physics 45.2 分；scored_task_count 40 tasks；mean_cost_per_scored_task 8.922562 USD/task；mean_duration_per_scored_task 2379.35 seconds/task

成绩位置：data/leaderboard.json → scores["InnoClaw (2.0)"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
3GPT-5.6-Sol + grd-king + grd-jin混合/替代配置Ligase未报告34.8 分
配置、误差与来源

配置说明：原始配置名：Ligase；模型选择器：gpt-5.6-sol + grd-king + grd-jin；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。；官网model列标为 GPT-5.6-Sol；selector同时列出gpt-5.6-sol、grd-king、grd-jin，属于混合模型系统成绩。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 37.4 分；rads_chemistry 22.9 分；rads_earth 34.3 分；rads_energy 29.9 分；rads_information 40.1 分；rads_life 32.5 分；rads_material 35.1 分；rads_math 39.7 分；rads_neuroscience 35.3 分；rads_physics 41 分；scored_task_count 40 tasks；mean_cost_per_scored_task 7.6518 USD/task；mean_duration_per_scored_task 2869.425 seconds/task

成绩位置：data/leaderboard.json → scores["Ligase"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
4GPT-5.6-SolAutoSciRub未报告33.2 分
配置、误差与来源

配置说明：原始配置名：AutoSciRub；模型选择器：gpt-5.6-sol；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 42.3 分；rads_chemistry 30.1 分；rads_earth 30.2 分；rads_energy 31.7 分；rads_information 33.5 分；rads_life 26.2 分；rads_material 34.5 分；rads_math 28.8 分；rads_neuroscience 30 分；rads_physics 44.4 分；scored_task_count 40 tasks；mean_cost_per_scored_task 7.849 USD/task；mean_duration_per_scored_task 2943.375 seconds/task

成绩位置：data/leaderboard.json → scores["AutoSciRub"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
5GPT-5.5EvoLab未报告32.7 分
配置、误差与来源

配置说明：原始配置名：EvoLab；模型选择器：gpt-5.5；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 44.8 分；rads_chemistry 27.5 分；rads_earth 29.8 分；rads_energy 33.9 分；rads_information 38.2 分；rads_life 28.8 分；rads_material 24.9 分；rads_math 27.6 分；rads_neuroscience 20.1 分；rads_physics 51.3 分；scored_task_count 40 tasks；mean_cost_per_scored_task 6.452198 USD/task；mean_duration_per_scored_task 1720.586175 seconds/task

成绩位置：data/leaderboard.json → scores["EvoLab"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
6GPT-5.5InnoClaw未报告28.8 分
配置、误差与来源

配置说明：原始配置名：InnoClaw；模型选择器：gpt-5.5；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 41.6 分；rads_chemistry 18 分；rads_earth 27.6 分；rads_energy 30.4 分；rads_information 24.1 分；rads_life 24.8 分；rads_material 32.4 分；rads_math 27.9 分；rads_neuroscience 16.3 分；rads_physics 45.2 分；scored_task_count 40 tasks；mean_cost_per_scored_task 7.104469 USD/task；mean_duration_per_scored_task 1894.525 seconds/task

成绩位置：data/leaderboard.json → scores["InnoClaw"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
7Claude-Opus-4.6Claude Code未报告21.5 分
配置、误差与来源

配置说明：原始配置名：Claude Code；模型选择器：claude-opus-4-6；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 30.2 分；rads_chemistry 9.3 分；rads_earth 22.7 分；rads_energy 21.7 分；rads_information 25 分；rads_life 15.6 分；rads_material 25.5 分；rads_math 27.5 分；rads_neuroscience 5.5 分；rads_physics 32.3 分；scored_task_count 40 tasks；mean_cost_per_scored_task 5.251167 USD/task；mean_duration_per_scored_task 1575.35 seconds/task

成绩位置：data/leaderboard.json → scores["Claude Code"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
8GPT-5.4EvoScientist · 0.1.1未报告18.8 分
配置、误差与来源

配置说明：原始配置名：EvoScientist (0.1.1)；模型选择器：gpt-5.4；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 26.4 分；rads_chemistry 9.9 分；rads_earth 18.8 分；rads_energy 19.9 分；rads_information 18.9 分；rads_life 16.7 分；rads_material 15.2 分；rads_math 15.5 分；rads_neuroscience 11.4 分；rads_physics 34.9 分；scored_task_count 40 tasks；mean_cost_per_scored_task 4.082062 USD/task；mean_duration_per_scored_task 2177.1 seconds/task

成绩位置：data/leaderboard.json → scores["EvoScientist (0.1.1)"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
9GPT-5.4Codex CLI未报告18.4 分
配置、误差与来源

配置说明：原始配置名：Codex CLI；模型选择器：gpt-5.4；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 26.5 分；rads_chemistry 7.6 分；rads_earth 22.2 分；rads_energy 23.1 分；rads_information 17 分；rads_life 14.4 分；rads_material 13 分；rads_math 20.8 分；rads_neuroscience 8.6 分；rads_physics 31 分；scored_task_count 40 tasks；mean_cost_per_scored_task 2.012063 USD/task；mean_duration_per_scored_task 1073.1 seconds/task

成绩位置：data/leaderboard.json → scores["Codex CLI"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
10GLM-5.1ResearchHarness未报告18.2 分
配置、误差与来源

配置说明：原始配置名：ResearchHarness (GLM-5.1)；模型选择器：GLM-5.1；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 29.8 分；rads_chemistry 11.4 分；rads_earth 20.6 分；rads_energy 20.4 分；rads_information 16.2 分；rads_life 12.2 分；rads_material 18.6 分；rads_math 18 分；rads_neuroscience 5.8 分；rads_physics 28.9 分；scored_task_count 40 tasks；mean_cost_per_scored_task 1.299209 USD/task；mean_duration_per_scored_task 1812.85 seconds/task

成绩位置：data/leaderboard.json → scores["ResearchHarness (GLM-5.1)"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
11Qwen3.6-PlusResearchHarness未报告18 分
配置、误差与来源

配置说明：原始配置名：ResearchHarness (Qwen3.6-Plus)；模型选择器：Qwen3.6-Plus；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 30.8 分；rads_chemistry 7.7 分；rads_earth 16.6 分；rads_energy 21.2 分；rads_information 17.7 分；rads_life 12.1 分；rads_material 19.6 分；rads_math 19.1 分；rads_neuroscience 4.6 分；rads_physics 30.7 分；scored_task_count 40 tasks；mean_cost_per_scored_task 0.518241 USD/task；mean_duration_per_scored_task 1381.975 seconds/task

成绩位置：data/leaderboard.json → scores["ResearchHarness (Qwen3.6-Plus)"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
12GPT-5.5ResearchHarness未报告17 分
配置、误差与来源

配置说明：原始配置名：ResearchHarness (GPT-5.5)；模型选择器：GPT-5.5；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 24 分；rads_chemistry 10.4 分；rads_earth 18.4 分；rads_energy 22.6 分；rads_information 17.8 分；rads_life 11.8 分；rads_material 14.7 分；rads_math 13.1 分；rads_neuroscience 6.3 分；rads_physics 30.9 分；scored_task_count 40 tasks；mean_cost_per_scored_task 1.821656 USD/task；mean_duration_per_scored_task 485.775 seconds/task

成绩位置：data/leaderboard.json → scores["ResearchHarness (GPT-5.5)"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
13GPT-5.4OpenClaw未报告16.6 分
配置、误差与来源

配置说明：原始配置名：OpenClaw；模型选择器：gpt-5.4；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 28.4 分；rads_chemistry 6 分；rads_earth 17.3 分；rads_energy 22 分；rads_information 14 分；rads_life 15.7 分；rads_material 12.9 分；rads_math 14.3 分；rads_neuroscience 8.3 分；rads_physics 27.6 分；scored_task_count 40 tasks；mean_cost_per_scored_task 0.685688 USD/task；mean_duration_per_scored_task 365.7 seconds/task

成绩位置：data/leaderboard.json → scores["OpenClaw"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
14GPT-5.4ResearchClaw未报告16.3 分
配置、误差与来源

配置说明：原始配置名：ResearchClaw；模型选择器：gpt-5.4；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 23.1 分；rads_chemistry 8.5 分；rads_earth 17.1 分；rads_energy 19 分；rads_information 14.9 分；rads_life 14 分；rads_material 19.3 分；rads_math 12.8 分；rads_neuroscience 4.2 分；rads_physics 30.1 分；scored_task_count 40 tasks；mean_cost_per_scored_task 0.816281 USD/task；mean_duration_per_scored_task 435.35 seconds/task

成绩位置：data/leaderboard.json → scores["ResearchClaw"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
15GPT-5.4EvoScientist · 0.0.4未报告15.5 分
配置、误差与来源

配置说明：原始配置名：EvoScientist (0.0.4)；模型选择器：gpt-5.4；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 26 分；rads_chemistry 4.4 分；rads_earth 17 分；rads_energy 24 分；rads_information 7.4 分；rads_life 16.4 分；rads_material 13.4 分；rads_math 14.3 分；rads_neuroscience 5.3 分；rads_physics 26.3 分；scored_task_count 40 tasks；mean_cost_per_scored_task 1.194375 USD/task；mean_duration_per_scored_task 637 seconds/task

成绩位置：data/leaderboard.json → scores["EvoScientist (0.0.4)"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
16GPT-5.4ResearchHarness未报告15.3 分
配置、误差与来源

配置说明：原始配置名：ResearchHarness (GPT-5.4)；模型选择器：GPT-5.4；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 22.1 分；rads_chemistry 6.9 分；rads_earth 18.8 分；rads_energy 17.1 分；rads_information 15.7 分；rads_life 14.2 分；rads_material 7.7 分；rads_math 18.3 分；rads_neuroscience 4.9 分；rads_physics 27 分；scored_task_count 40 tasks；mean_cost_per_scored_task 2.124516 USD/task；mean_duration_per_scored_task 1133.075 seconds/task

成绩位置：data/leaderboard.json → scores["ResearchHarness (GPT-5.4)"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
17Qwen3.5-397B-A17BResearchHarness未报告14.2 分
配置、误差与来源

配置说明：原始配置名：ResearchHarness (Qwen3.5-397B-A17B)；模型选择器：Qwen3.5-397B-A17B；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 17.1 分；rads_chemistry 7.8 分；rads_earth 18.3 分；rads_energy 18.6 分；rads_information 6 分；rads_life 11.5 分；rads_material 18.4 分；rads_math 14.3 分；rads_neuroscience 4.2 分；rads_physics 26.1 分；scored_task_count 40 tasks；mean_cost_per_scored_task 0.576675 USD/task；mean_duration_per_scored_task 1281.5 seconds/task

成绩位置：data/leaderboard.json → scores["ResearchHarness (Qwen3.5-397B-A17B)"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
18GPT-5.4ARIS Codex未报告13.6 分
配置、误差与来源

配置说明：原始配置名：ARIS Codex；模型选择器：gpt-5.4；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 21.3 分；rads_chemistry 7.4 分；rads_earth 15.1 分；rads_energy 13.6 分；rads_information 6 分；rads_life 16.9 分；rads_material 12.4 分；rads_math 11.4 分；rads_neuroscience 6.9 分；rads_physics 24.7 分；scored_task_count 40 tasks；mean_cost_per_scored_task 0.743297 USD/task；mean_duration_per_scored_task 396.425 seconds/task

成绩位置：data/leaderboard.json → scores["ARIS Codex"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
19GPT-5.4Nanobot未报告12.8 分
配置、误差与来源

配置说明：原始配置名：Nanobot；模型选择器：gpt-5.4；有效任务40/40；成本/时长为已评分任务平均实际消耗；具体缺失题见分组。

工具：未报告 · 预算：未报告

误差：误差未报告

补充指标：rads_astronomy 22.3 分；rads_chemistry 6.2 分；rads_earth 14.3 分；rads_energy 13.5 分；rads_information 11.1 分；rads_life 12.9 分；rads_material 13 分；rads_math 12.1 分；rads_neuroscience 3.3 分；rads_physics 19.4 分；scored_task_count 40 tasks；mean_cost_per_scored_task 0.488438 USD/task；mean_duration_per_scored_task 260.5 seconds/task

成绩位置：data/leaderboard.json → scores["Nanobot"]; homepage By Domain row

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据
查看本组前 10 条成绩

辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。

本组来源

  • 位置：By Domain summary; default Pass@1 view; 36 agent/model configurations读取日期：2026-10-10备注：页面时钟不是成绩更新时间。官网 Pass@1 可能重跑失败任务，均分时排除无有效分的任务。本地证据
  • 位置：agents / scores[agent][task]；36配置，33–40个有效任务读取日期：2026-10-10备注：本地证据保留原始task score、模型、run_id；公开首页的overall及domain按app.js averageEntry重算并四舍五入到一位小数。本地证据

阅读边界

  • 当前官网36配置；19个完整覆盖40题，其余按真实同一题集分组。
  • 官网Pass@1均值排除缺失题，不能将部分题集均值与全40题直接比较。
  • 官网时间戳为前端实时钟，reported_at未知，保留null。
  • 原生LLM的agent均为ResearchHarness，不将其写成无agent。
  • 每领域4题，分学科分数在additional_metrics中保留。

来源日期与读取日期分别保留。误差按原文类型呈现；未注明类型的误差不解释为置信区间。