AI能力评估

研究团队提出前瞻性假设发现（PHD）任务，评估大语言模型在证据不完整、结论未定时自主构建可检验假设空间的能力。新基准 HypoArena 涵盖 988 个科学分析案例，实验显示不同模型在该任务上存在明显能力分层。