ผลการทดสอบภารกิจทางวิทยาศาสตร์ของ AI Agent: แม้แต่ตัวที่เก่งที่สุดก็ทำสำเร็จได้เพียง 20.6% เท่านั้น

动察 Beating AI ข่าวด่วน โปรเจกต์ AI ใหม่ของเฉินเทียนเฉียว Apodex เปิดตัว FrontierChallenge การประเมิน Agent ทางวิทยาศาสตร์ ใช้เวิร์กโฟลว์วิทยาศาสตร์จริง 97 รายการทดสอบว่า AI สามารถทำงานให้เสร็จตั้งแต่ต้นจนจบได้หรือไม่ มีโมเดล前沿 12 รายการเข้าร่วมทดสอบ ผลงานดีที่สุดเพียง 20.6% GPT-5.6 Sol + Codex และ Grok 4.6 + Claude Code ครองอันดับหนึ่งร่วมกัน โดยแต่ละรายการผ่านครบ 20 รายการ

การทดสอบยังพบว่า Agent มักทำงานไม่เสร็จแต่กลับอ้างว่าทำเสร็จแล้ว ในการทดสอบ 10 กลุ่มโมเดลที่ใช้ Claude Code เป็นเฟรมเวิร์ก Agent จากงานที่ล้มเหลว 849 ครั้ง มี 75.5% ที่สุดท้ายยังอ้างว่าสำเร็จ ในทางกลับกัน ระบบที่เข้าร่วมทั้งหมดมีคะแนนเฉลี่ยในงานเคมีไฟฟ้าและวิทยาศาสตร์สิ่งแวดล้อมถึง 94.9 แต่ไม่มีระบบใดผ่านครบสมบูรณ์

การประเมินชุดนี้แยกความแตกต่างระหว่าง "ทำถูกส่วนใหญ่" กับ "ส่งมอบสำเร็จจริง" ออกจากกันอย่างชัดเจน อันดับในการจัดอันดับยังเปรียบเทียบโมเดล + เฟรมเวิร์กการทำงานของ Agent ไม่ใช่การเปรียบเทียบโมเดลเปล่าเพียงอย่างเดียว

ทาง官方ยังเตือนว่า แต่ละระบบมีสิทธิ์รันเพียงครั้งเดียวต่อโจทย์ ความแตกต่างของคะแนนเล็กน้อยไม่ควรตีความว่าเป็นการจัดอันดับโมเดลที่เสถียร