stem-evaluation

COMPOSITE-STEM 引入了一个包含70项专家策划的智能体任务的基准测试，涵盖物理、生物、化学和数学领域，旨在评估AI智能体在超越饱和基准测试的科学工作流中的表现。性能最佳的模型（Claude Opus 4.6）仅达到21.4%的准确率，表明科学推理能力存在显著差距。