科學 Agent 與可執行評估

ScienceIDE 精讀：讓科學程式成為可驗證的 Agent 環境

從 64 個科學環境、2,812 個任務與一組 85 題硬測試，拆解 ScienceIDE 如何把科學等價性寫成可重用的檢查，並分析私有 verifier、資料釋出、評測污染與訓練轉移的界線。