SLE benchmark evaluates AI agents

Lean 讓 AI 數學研究得到無可爭議的評分器，而 Science’s Last Exam (SLE) 為實驗科學提供類似評分機制。 - SLE 覆蓋 113 個任務、9 個學科，評分時隱藏檢查，避免 AI 預先知情。