一句话看懂：Xudong Han 在 X 上介绍的 Anthropic 新论文显示，Claude Opus、Codex、Gemini 等 Agent 在 20 个 ML for Science benchmark 上都能超过原论文结果，但提升主要来自调超参、换优化器等工程技巧，而非真正的科研创意。加入三个轻量 Skill 后，Claude Opus 平均提升从 10.4% 升至 20.1%。
事件核心：发生了什么
据 Xudong Han 于 2026 年 10 月 25 日发布的帖子，Anthropic 新论文提出 Agent4Sci 评测：把 Claude Code、Codex、Gemini 放进 20 个真实 ML for Science benchmark，要求 Agent 读论文、改代码、跑实验，并尝试超过论文原本的最好结果。前沿 Agent 在所有 benchmark 上都找到了提升，Claude Opus 平均相对提升 10.4%。但作者拆解轨迹后发现，大部分增益来自调超参、换优化器、ensemble 和反复局部搜索等常见工程手段；Agent 容易高估想法的新颖性，GPU 闲置，或在一个有效方向上持续刷参数。作者加入科研构思、实验管理、定时自检三个轻量 Skill 后，Claude Opus 平均提升升至 20.1%，Codex 从 4.4% 升至 8.1%。
为什么重要
这组结果把 Research Agent 的短板指向判断而非执行。当前大模型在代码修改和实验循环上已较成熟，但区分“工程调参”与“科研新想法”仍困难。若轻量 Skill 能稳定放大收益，Agent 产品的竞争点可能从堆算力、拉长推理转向科研习惯与流程设计。不过该结论仅来自论文设定的任务与评测条件，尚不能视为通用排名。
对用户/开发者/创作者的影响
常用 Claude Code 或 Codex 跑实验的开发者，可优先检查 Agent 是否在做有效探索：GPU 是否闲置、是否过早收敛到局部最优、是否把常规调参误报为创新。与其直接增加算力或延长运行时间，不如先补充实验记录、阶段自检和方向评估等轻量流程。对科研工具采购方而言，评估 Research Agent 时应看“判断质量”，而不只看最终指标提升。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是三个轻量 Skill 是否会被产品化，进入 Claude Code、Codex 等工具；二是其他团队能否在更多 benchmark 上复现 10.4% 到 20.1% 的增益；三是 Agent 在开放科研任务中能否减少对调参路径的依赖，给出可验证的新假设。
