本页目录

SCIENCE BENCHMARKS / RESULTS

SGI-Bench 成绩

五个任务维度覆盖科学检索、想法、干湿实验及多模态推理。

基准官方网站 ↗ · 成绩矩阵 · 基准介绍

比较组（版本 / 赛道 / 口径）搜索模型或配置

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。

原论文／Deep Research

版本: arXiv:2512.16969v1
赛道: Deep Research
数据集: 未报告
任务数: 318
主指标: Deep Research EM
统计口径: reported task metric

未报告

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

24 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。

SGI-Bench · 原论文／Deep Research；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-Pro	Direct zero-shot prompting	未报告	18.48%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
2	Intern-S1	Direct zero-shot prompting	未报告	15.74%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
3	GPT-5.2-Pro	Direct zero-shot prompting	未报告	15.72%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
4	Qwen3-Max	Direct zero-shot prompting	未报告	15.38%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
5	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	15.09%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
6	DeepSeek-R1	Direct zero-shot prompting	未报告	15.03%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
7	GPT-5	Direct zero-shot prompting	未报告	14.47%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
8	Qwen3-235B-A22B	Direct zero-shot prompting	未报告	14.19%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
9	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	13.84%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
10	Grok-3	Direct zero-shot prompting	未报告	13.52%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
11	Grok-4	Direct zero-shot prompting	未报告	13.31%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
12	Kimi-k2	Direct zero-shot prompting	未报告	13.11%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
13	Claude-Opus-4.1	Direct zero-shot prompting	未报告	12.93%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
14	o3	Direct zero-shot prompting	未报告	12.89%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
15	DeepSeek-V3.2	Direct zero-shot prompting	未报告	12.7%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
16	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	11.97%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
17	o4-mini	Direct zero-shot prompting	未报告	11.95%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
18	GPT-5.1	Direct zero-shot prompting	未报告	11.64%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
19	GPT-4.1	Direct zero-shot prompting	未报告	11.32%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
20	Intern-S1-mini	Direct zero-shot prompting	未报告	11.06%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
21	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	10.69%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
22	Qwen3-8B	Direct zero-shot prompting	未报告	8.18%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
23	GPT-4o	Direct zero-shot prompting	未报告	7.86%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
23	Llama-4-Scout	Direct zero-shot prompting	未报告	7.86%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。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。

柱形顺序

本组来源

Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文
位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据

原论文／Idea Generation

版本: arXiv:2512.16969v1
赛道: Idea Generation
数据集: 未报告
任务数: 315
主指标: Idea Generation
统计口径: reported task metric

Novelty/Effectiveness/Detailedness/Feasibility均值

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

24 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。

SGI-Bench · 原论文／Idea Generation；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	GPT-5	Direct zero-shot prompting	未报告	55.4 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
2	GPT-5.2-Pro	Direct zero-shot prompting	未报告	55.03 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
3	GPT-5.1	Direct zero-shot prompting	未报告	47.12 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
4	o3	Direct zero-shot prompting	未报告	46.07 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
5	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	43.2 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
6	Kimi-k2	Direct zero-shot prompting	未报告	43.17 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
7	o4-mini	Direct zero-shot prompting	未报告	40.78 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
8	Claude-Opus-4.1	Direct zero-shot prompting	未报告	40.29 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
9	DeepSeek-R1	Direct zero-shot prompting	未报告	40.16 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
10	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	39.95 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
11	Qwen3-Max	Direct zero-shot prompting	未报告	39.83 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
12	Gemini-3-Pro	Direct zero-shot prompting	未报告	39.68 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
13	Qwen3-235B-A22B	Direct zero-shot prompting	未报告	39.45 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
14	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	39.28 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
15	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	39.13 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
16	Intern-S1	Direct zero-shot prompting	未报告	38.09 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
17	DeepSeek-V3.2	Direct zero-shot prompting	未报告	37.45 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
18	Grok-4	Direct zero-shot prompting	未报告	37.12 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
19	GPT-4.1	Direct zero-shot prompting	未报告	36.49 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
20	Intern-S1-mini	Direct zero-shot prompting	未报告	36.04 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
21	Grok-3	Direct zero-shot prompting	未报告	35.98 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
22	GPT-4o	Direct zero-shot prompting	未报告	35.95 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
23	Qwen3-8B	Direct zero-shot prompting	未报告	35.78 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
24	Llama-4-Scout	Direct zero-shot prompting	未报告	29.72 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。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。

柱形顺序

本组来源

Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文
位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据

原论文／Dry Experiment

版本: arXiv:2512.16969v1
赛道: Dry Experiment
数据集: 未报告
任务数: 271
主指标: Dry Experiment PassAll@5
统计口径: reported task metric

一个程序通过5个unit tests；不是pass@5

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

24 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。

SGI-Bench · 原论文／Dry Experiment；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-Pro	Direct zero-shot prompting	未报告	36.64%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
2	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	35.79%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
2	o4-mini	Direct zero-shot prompting	未报告	35.79%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
4	Claude-Opus-4.1	Direct zero-shot prompting	未报告	34.69%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
5	GPT-4.1	Direct zero-shot prompting	未报告	34.32%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
6	Grok-4	Direct zero-shot prompting	未报告	33.71%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
7	DeepSeek-R1	Direct zero-shot prompting	未报告	33.33%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
8	Qwen3-Max	Direct zero-shot prompting	未报告	33.21%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
9	o3	Direct zero-shot prompting	未报告	31.73%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
10	GPT-5.1	Direct zero-shot prompting	未报告	31%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
11	GPT-5	Direct zero-shot prompting	未报告	29.89%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
12	Kimi-k2	Direct zero-shot prompting	未报告	29.52%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
13	Qwen3-235B-A22B	Direct zero-shot prompting	未报告	28.89%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
14	Intern-S1	Direct zero-shot prompting	未报告	28.79%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
15	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	28.41%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
16	GPT-5.2-Pro	Direct zero-shot prompting	未报告	28.04%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
17	Grok-3	Direct zero-shot prompting	未报告	27.31%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
18	GPT-4o	Direct zero-shot prompting	未报告	26.94%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
19	DeepSeek-V3.2	Direct zero-shot prompting	未报告	23.62%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
20	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	22.51%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
21	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	21.03%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
22	Llama-4-Scout	Direct zero-shot prompting	未报告	20.37%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
23	Qwen3-8B	Direct zero-shot prompting	未报告	18.45%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
24	Intern-S1-mini	Direct zero-shot prompting	未报告	16.97%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。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。

柱形顺序

本组来源

Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文
位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据

原论文／Wet Experiment

版本: arXiv:2512.16969v1
赛道: Wet Experiment
数据集: 未报告
任务数: 68
主指标: Wet Experiment
统计口径: reported task metric

Action sequence similarity与Parameter accuracy均值

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

24 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。

SGI-Bench · 原论文／Wet Experiment；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Grok-3	Direct zero-shot prompting	未报告	37.92 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
2	GPT-4.1	Direct zero-shot prompting	未报告	36.63 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
3	Qwen3-Max	Direct zero-shot prompting	未报告	33.62 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
4	Gemini-3-Pro	Direct zero-shot prompting	未报告	32.45 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
5	GPT-4o	Direct zero-shot prompting	未报告	31.31 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
6	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	30.3 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
7	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	30.15 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
8	o3	Direct zero-shot prompting	未报告	30.04 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
9	Intern-S1	Direct zero-shot prompting	未报告	29.02 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
10	Grok-4	Direct zero-shot prompting	未报告	29.01 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
11	o4-mini	Direct zero-shot prompting	未报告	28.86 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
12	Qwen3-235B-A22B	Direct zero-shot prompting	未报告	26.4 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
13	Kimi-k2	Direct zero-shot prompting	未报告	25.76 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
14	Claude-Opus-4.1	Direct zero-shot prompting	未报告	25.38 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
15	GPT-5.1	Direct zero-shot prompting	未报告	22.77 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
16	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	22.05 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
17	Llama-4-Scout	Direct zero-shot prompting	未报告	21.66 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
18	DeepSeek-R1	Direct zero-shot prompting	未报告	21.12 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
19	DeepSeek-V3.2	Direct zero-shot prompting	未报告	20.95 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
20	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	18.55 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
21	GPT-5.2-Pro	Direct zero-shot prompting	未报告	17.5 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
22	GPT-5	Direct zero-shot prompting	未报告	16.31 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
23	Intern-S1-mini	Direct zero-shot prompting	未报告	12.42 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
24	Qwen3-8B	Direct zero-shot prompting	未报告	9.96 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。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。

柱形顺序

本组来源

Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文
位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据

原论文／Experimental Reasoning

版本: arXiv:2512.16969v1
赛道: Experimental Reasoning
数据集: 未报告
任务数: 291
主指标: Experimental Reasoning MCA
统计口径: reported task metric

未报告

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

24 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。

SGI-Bench · 原论文／Experimental Reasoning；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-Pro	Direct zero-shot prompting	未报告	41.92%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
2	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	41.24%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
3	GPT-5.2-Pro	Direct zero-shot prompting	未报告	39.18%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
4	Claude-Opus-4.1	Direct zero-shot prompting	未报告	38.83%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
5	GPT-4.1	Direct zero-shot prompting	未报告	38.49%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
6	GPT-5	Direct zero-shot prompting	未报告	38.14%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
7	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	37.8%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
7	Qwen3-Max混合/替代配置	Direct zero-shot prompting	未报告	37.8%	配置、误差与来源配置说明：* 原表使用同系列不同多模态版本，非同一个纯文本模型全程成绩。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
9	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	34.36%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
10	GPT-5.1	Direct zero-shot prompting	未报告	34.02%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
11	o4-mini	Direct zero-shot prompting	未报告	33.33%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
12	o3	Direct zero-shot prompting	未报告	32.65%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
13	GPT-4o	Direct zero-shot prompting	未报告	32.3%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
14	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	31.62%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
15	Grok-4	Direct zero-shot prompting	未报告	30.24%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
16	Intern-S1	Direct zero-shot prompting	未报告	28.87%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
17	Llama-4-Scout	Direct zero-shot prompting	未报告	25.77%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
18	Qwen3-8B混合/替代配置	Direct zero-shot prompting	未报告	23.37%	配置、误差与来源配置说明：* 原表使用同系列不同多模态版本，非同一个纯文本模型全程成绩。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
19	Intern-S1-mini	Direct zero-shot prompting	未报告	16.84%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	DeepSeek-R1	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	DeepSeek-V3.2	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	Grok-3	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	Kimi-k2	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	Qwen3-235B-A22B	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。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。

柱形顺序

本组来源

Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文
位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据

原论文／All five dimensions

版本: arXiv:2512.16969v1
赛道: All five dimensions
数据集: 未报告
任务数: 1263
主指标: SGI-Score
统计口径: reported mean of five metrics

原文五项指标等权均值；保留报告值，不自行计算

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

24 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。

SGI-Bench · 原论文／All five dimensions；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-Pro	Direct zero-shot prompting	未报告	33.83 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
2	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	32.16 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
3	Qwen3-Max混合/替代配置	Direct zero-shot prompting	未报告	31.97 score/100	配置、误差与来源配置说明：* 原表使用同系列不同多模态版本，非同一个纯文本模型全程成绩。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
4	GPT-4.1	Direct zero-shot prompting	未报告	31.45 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
5	GPT-5.2-Pro	Direct zero-shot prompting	未报告	31.09 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
6	GPT-5	Direct zero-shot prompting	未报告	30.84 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
7	o3	Direct zero-shot prompting	未报告	30.68 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
8	Claude-Opus-4.1	Direct zero-shot prompting	未报告	30.42 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
9	o4-mini	Direct zero-shot prompting	未报告	30.14 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
10	GPT-5.1	Direct zero-shot prompting	未报告	29.31 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
11	Grok-4	Direct zero-shot prompting	未报告	28.68 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
12	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	28.32 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
13	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	28.17 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
14	Intern-S1	Direct zero-shot prompting	未报告	28.1 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
15	GPT-4o	Direct zero-shot prompting	未报告	26.87 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
16	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	24.75 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
17	Llama-4-Scout	Direct zero-shot prompting	未报告	21.08 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
18	Qwen3-8B混合/替代配置	Direct zero-shot prompting	未报告	19.15 score/100	配置、误差与来源配置说明：* 原表使用同系列不同多模态版本，非同一个纯文本模型全程成绩。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
19	Intern-S1-mini	Direct zero-shot prompting	未报告	18.67 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	DeepSeek-R1	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	DeepSeek-V3.2	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	Grok-3	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	Kimi-k2	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据
—	Qwen3-235B-A22B	Direct zero-shot prompting	未报告	— 未报告	配置、误差与来源配置说明：原表未报告该值（—），不能补零或自行计算总分。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table5 Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。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。

柱形顺序

本组来源

Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows ↗ 基准论文
位置：§2.4; §4.1; Table5; §2.2.3发布日期：2025-12-18读取日期：2026-10-10备注：本地原论文文本提取。Table5星号在官网中仅用注释保留；原论文缺失值保留。本地证据

官网快照／Deep Research

版本: website v1.0 snapshot 2026-10-10
赛道: Deep Research
数据集: 未报告
任务数: 318
主指标: Deep Research EM
统计口径: reported task metric

未报告

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

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。

SGI-Bench · 官网快照／Deep Research；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-Pro	Direct zero-shot prompting	未报告	18.48%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
2	Intern-S1	Direct zero-shot prompting	未报告	15.74%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
3	GPT-5.2-Pro	Direct zero-shot prompting	未报告	15.72%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
4	Qwen3-Max	Direct zero-shot prompting	未报告	15.38%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
5	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	15.09%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
6	GPT-5	Direct zero-shot prompting	未报告	14.47%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
7	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	13.84%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
8	Grok-4	Direct zero-shot prompting	未报告	13.31%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
9	Claude-Opus-4.1	Direct zero-shot prompting	未报告	12.93%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
10	o3	Direct zero-shot prompting	未报告	12.89%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
11	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	11.97%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
12	o4-mini	Direct zero-shot prompting	未报告	11.95%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
13	GPT-5.1	Direct zero-shot prompting	未报告	11.64%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
14	GPT-4.1	Direct zero-shot prompting	未报告	11.32%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
15	Intern-S1-mini	Direct zero-shot prompting	未报告	11.06%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
16	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	10.69%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
17	Qwen3-8B	Direct zero-shot prompting	未报告	8.18%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
18	GPT-4o	Direct zero-shot prompting	未报告	7.86%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
18	Llama-4-Scout	Direct zero-shot prompting	未报告	7.86%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。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。

柱形顺序

本组来源

SGI-Bench official leaderboard ↗ 官方榜单
位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据

官网快照／Idea Generation

版本: website v1.0 snapshot 2026-10-10
赛道: Idea Generation
数据集: 未报告
任务数: 315
主指标: Idea Generation
统计口径: reported task metric

Novelty/Effectiveness/Detailedness/Feasibility均值

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

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。

SGI-Bench · 官网快照／Idea Generation；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	GPT-5	Direct zero-shot prompting	未报告	55.4 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
2	GPT-5.2-Pro	Direct zero-shot prompting	未报告	55.03 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
3	GPT-5.1	Direct zero-shot prompting	未报告	47.12 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
4	o3	Direct zero-shot prompting	未报告	46.07 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
5	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	43.2 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
6	o4-mini	Direct zero-shot prompting	未报告	40.78 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
7	Claude-Opus-4.1	Direct zero-shot prompting	未报告	40.29 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
8	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	39.95 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
9	Qwen3-Max	Direct zero-shot prompting	未报告	39.83 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
10	Gemini-3-Pro	Direct zero-shot prompting	未报告	39.68 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
11	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	39.28 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
12	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	39.13 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
13	Intern-S1	Direct zero-shot prompting	未报告	38.09 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
14	Grok-4	Direct zero-shot prompting	未报告	37.12 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
15	GPT-4.1	Direct zero-shot prompting	未报告	36.49 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
16	Intern-S1-mini	Direct zero-shot prompting	未报告	36.04 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
17	GPT-4o	Direct zero-shot prompting	未报告	35.95 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
18	Qwen3-8B	Direct zero-shot prompting	未报告	35.78 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
19	Llama-4-Scout	Direct zero-shot prompting	未报告	29.72 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。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。

柱形顺序

本组来源

SGI-Bench official leaderboard ↗ 官方榜单
位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据

官网快照／Dry Experiment

版本: website v1.0 snapshot 2026-10-10
赛道: Dry Experiment
数据集: 未报告
任务数: 271
主指标: Dry Experiment PassAll@5
统计口径: reported task metric

一个程序通过5个unit tests；不是pass@5

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

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。

SGI-Bench · 官网快照／Dry Experiment；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-Pro	Direct zero-shot prompting	未报告	36.64%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
2	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	35.79%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
2	o4-mini	Direct zero-shot prompting	未报告	35.79%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
4	Claude-Opus-4.1	Direct zero-shot prompting	未报告	34.69%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
5	GPT-4.1	Direct zero-shot prompting	未报告	34.32%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
6	Grok-4	Direct zero-shot prompting	未报告	33.71%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
7	Qwen3-Max	Direct zero-shot prompting	未报告	33.21%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
8	o3	Direct zero-shot prompting	未报告	31.73%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
9	GPT-5.1	Direct zero-shot prompting	未报告	31%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
10	GPT-5	Direct zero-shot prompting	未报告	29.89%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
11	Intern-S1	Direct zero-shot prompting	未报告	28.79%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
12	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	28.41%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
13	GPT-5.2-Pro	Direct zero-shot prompting	未报告	28.04%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
14	GPT-4o	Direct zero-shot prompting	未报告	26.94%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
15	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	22.51%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
16	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	21.03%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
17	Llama-4-Scout	Direct zero-shot prompting	未报告	20.37%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
18	Qwen3-8B	Direct zero-shot prompting	未报告	18.45%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
19	Intern-S1-mini	Direct zero-shot prompting	未报告	16.97%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。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。

柱形顺序

本组来源

SGI-Bench official leaderboard ↗ 官方榜单
位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据

官网快照／Wet Experiment

版本: website v1.0 snapshot 2026-10-10
赛道: Wet Experiment
数据集: 未报告
任务数: 68
主指标: Wet Experiment
统计口径: reported task metric

Action sequence similarity与Parameter accuracy均值

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

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。

SGI-Bench · 官网快照／Wet Experiment；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	GPT-4.1	Direct zero-shot prompting	未报告	36.63 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
2	Qwen3-Max	Direct zero-shot prompting	未报告	33.62 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
3	Gemini-3-Pro	Direct zero-shot prompting	未报告	32.45 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
4	GPT-4o	Direct zero-shot prompting	未报告	31.31 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
5	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	30.3 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
6	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	30.15 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
7	o3	Direct zero-shot prompting	未报告	30.04 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
8	Intern-S1	Direct zero-shot prompting	未报告	29.02 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
9	Grok-4	Direct zero-shot prompting	未报告	29.01 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
10	o4-mini	Direct zero-shot prompting	未报告	28.86 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
11	Claude-Opus-4.1	Direct zero-shot prompting	未报告	25.38 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
12	GPT-5.1	Direct zero-shot prompting	未报告	22.77 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
13	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	22.05 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
14	Llama-4-Scout	Direct zero-shot prompting	未报告	21.66 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
15	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	18.55 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
16	GPT-5.2-Pro	Direct zero-shot prompting	未报告	17.5 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
17	GPT-5	Direct zero-shot prompting	未报告	16.31 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
18	Intern-S1-mini	Direct zero-shot prompting	未报告	12.42 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
19	Qwen3-8B	Direct zero-shot prompting	未报告	9.96 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。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。

柱形顺序

本组来源

SGI-Bench official leaderboard ↗ 官方榜单
位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据

官网快照／Experimental Reasoning

版本: website v1.0 snapshot 2026-10-10
赛道: Experimental Reasoning
数据集: 未报告
任务数: 291
主指标: Experimental Reasoning MCA
统计口径: reported task metric

未报告

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

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。

SGI-Bench · 官网快照／Experimental Reasoning；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-Pro	Direct zero-shot prompting	未报告	41.92%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
2	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	41.24%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
3	GPT-5.2-Pro	Direct zero-shot prompting	未报告	39.18%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
4	Claude-Opus-4.1	Direct zero-shot prompting	未报告	38.83%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
5	GPT-4.1	Direct zero-shot prompting	未报告	38.49%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
6	GPT-5	Direct zero-shot prompting	未报告	38.14%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
7	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	37.8%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
7	Qwen3-Max混合/替代配置	Direct zero-shot prompting	未报告	37.8%	配置、误差与来源配置说明：* 原表使用同系列不同多模态版本，非同一个纯文本模型全程成绩。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
9	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	34.36%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
10	GPT-5.1	Direct zero-shot prompting	未报告	34.02%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
11	o4-mini	Direct zero-shot prompting	未报告	33.33%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
12	o3	Direct zero-shot prompting	未报告	32.65%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
13	GPT-4o	Direct zero-shot prompting	未报告	32.3%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
14	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	31.62%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
15	Grok-4	Direct zero-shot prompting	未报告	30.24%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
16	Intern-S1	Direct zero-shot prompting	未报告	28.87%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
17	Llama-4-Scout	Direct zero-shot prompting	未报告	25.77%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
18	Qwen3-8B混合/替代配置	Direct zero-shot prompting	未报告	23.37%	配置、误差与来源配置说明：* 原表使用同系列不同多模态版本，非同一个纯文本模型全程成绩。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
19	Intern-S1-mini	Direct zero-shot prompting	未报告	16.84%	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。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。

柱形顺序

本组来源

SGI-Bench official leaderboard ↗ 官方榜单
位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据

官网快照／All five dimensions

版本: website v1.0 snapshot 2026-10-10
赛道: All five dimensions
数据集: 未报告
任务数: 1263
主指标: SGI-Score
统计口径: reported mean of five metrics

原文五项指标等权均值；保留报告值，不自行计算

同一来源内比较；运行条件差异仍须结合每行配置解释。

temperature=0（可配置模型），零样本task-specific prompt；token预算未明确。

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。

SGI-Bench · 官网快照／All five dimensions；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-Pro	Direct zero-shot prompting	未报告	33.83 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
2	Claude-Sonnet-4.5	Direct zero-shot prompting	未报告	32.16 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
3	Qwen3-Max混合/替代配置	Direct zero-shot prompting	未报告	31.97 score/100	配置、误差与来源配置说明：* 原表使用同系列不同多模态版本，非同一个纯文本模型全程成绩。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
4	GPT-4.1	Direct zero-shot prompting	未报告	31.45 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
5	GPT-5.2-Pro	Direct zero-shot prompting	未报告	31.09 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
6	GPT-5	Direct zero-shot prompting	未报告	30.84 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
7	o3	Direct zero-shot prompting	未报告	30.68 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
8	Claude-Opus-4.1	Direct zero-shot prompting	未报告	30.42 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
9	o4-mini	Direct zero-shot prompting	未报告	30.14 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
10	GPT-5.1	Direct zero-shot prompting	未报告	29.31 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
11	Grok-4	Direct zero-shot prompting	未报告	28.68 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
12	Qwen3-VL-235B-A22B	Direct zero-shot prompting	未报告	28.32 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
13	Gemini-2.5-Pro	Direct zero-shot prompting	未报告	28.17 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
14	Intern-S1	Direct zero-shot prompting	未报告	28.1 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
15	GPT-4o	Direct zero-shot prompting	未报告	26.87 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
16	Gemini-2.5-Flash	Direct zero-shot prompting	未报告	24.75 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
17	Llama-4-Scout	Direct zero-shot prompting	未报告	21.08 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
18	Qwen3-8B混合/替代配置	Direct zero-shot prompting	未报告	19.15 score/100	配置、误差与来源配置说明：* 原表使用同系列不同多模态版本，非同一个纯文本模型全程成绩。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据
19	Intern-S1-mini	Direct zero-shot prompting	未报告	18.67 score/100	配置、误差与来源配置说明：未报告工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Leaderboard Overview SGI-Bench official leaderboard ↗ 官方榜单位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。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。

柱形顺序

本组来源

SGI-Bench official leaderboard ↗ 官方榜单
位置：Leaderboard Overview; detailed task tables读取日期：2026-10-10备注：原网页结构化HTML表格直接转录；与论文版本分组。本地证据

InternAgent论文／Deep Research

版本: InternAgent-1.5 arXiv:2602.08990v1
赛道: Deep Research
数据集: 未报告
任务数: 未报告
主指标: Deep Research EM
统计口径: reported task metric

未报告

同一来源内比较；运行条件差异仍须结合每行配置解释。

第三方论文Table2；五个baseline为带引用的报告值，是否重新评测未明确；InternAgent自身结果分别记录，运行样本数未明确。

6 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。

SGI-Bench · InternAgent论文／Deep Research；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-pro + o4-mini混合/替代配置	InternAgent-1.5	未报告	37.74%	配置、误差与来源配置说明：InternAgent-1.5自身报告结果；预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
2	Gemini-3-pro	未报告	未报告	18.48%	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
3	Qwen3-Max	未报告	未报告	15.38%	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
4	GPT-5	未报告	未报告	14.47%	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
5	Claude-Sonnet-4.5	未报告	未报告	13.84%	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
6	o4-mini	未报告	未报告	11.95%	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。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。

柱形顺序

本组来源

InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文
位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据

InternAgent论文／Idea Generation

版本: InternAgent-1.5 arXiv:2602.08990v1
赛道: Idea Generation
数据集: 未报告
任务数: 未报告
主指标: Idea Generation
统计口径: reported task metric

Novelty/Effectiveness/Detailedness/Feasibility均值

同一来源内比较；运行条件差异仍须结合每行配置解释。

第三方论文Table2；五个baseline为带引用的报告值，是否重新评测未明确；InternAgent自身结果分别记录，运行样本数未明确。

6 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。

SGI-Bench · InternAgent论文／Idea Generation；仅主指标有数值的记录排名，并列采用 1、1、3。
					配置与证据
1	Gemini-3-pro + o4-mini混合/替代配置	InternAgent-1.5	未报告	58.11 score/100	配置、误差与来源配置说明：InternAgent-1.5自身报告结果；预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
2	GPT-5	未报告	未报告	55.4 score/100	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
3	Claude-Sonnet-4.5	未报告	未报告	43.2 score/100	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
4	o4-mini	未报告	未报告	40.78 score/100	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
5	Qwen3-Max	未报告	未报告	39.83 score/100	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据
6	Gemini-3-pro	未报告	未报告	39.68 score/100	配置、误差与来源配置说明：论文引述baseline，是否重新评测未明确；表中带原论文引用且分数与基准论文一致，baseline脚手架与预算未明确。工具：未报告 · 预算：未报告误差：误差未报告成绩位置：Table2 InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。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。

柱形顺序

本组来源

InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery ↗ 其他论文
位置：§3.1.1; Table2发布日期：2026-02-09读取日期：2026-10-10备注：本地论文 source.txt:840–857；五个baseline带引用且与原基准相同，是否重新评测未明确；InternAgent自身结果另行区分。本地证据

阅读边界

SGI-Score为来源报告的五维均值，不跨benchmark做综合平均。
Table5的Qwen3-Max/Qwen3-8B多模态维度与总分带星号，来自同系列其他多模态版本；不能解释为同一个纯文本模型全程成绩。
PassAll@5要求同一个程序通过5个单元测试；不是多次采样pass@5。
官网当前表把Qwen3-Max列Closed，论文放Open；模型开闭属性不作为结果字段。

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。