跟 Athanor 同一天提交的 arXiv 2610.21082，给同一件事量了相反的体温。这篇叫 SciΠvot 的基准不考智能体会不会跑实验，考的是更玄的那件事——科研判断力：方向选对了吗，优先级排对了吗，什么时候该停。构造方式很务实：资深研究员带着大模型智能体在六个学科的 26 个项目里干了六个月，把每一次「人类下场纠正智能体判断」的瞬间存下来，做成 248 道二选一考题。每道题里，智能体只能在「自己原来的计划」和「人类纠正后的版本」之间选一个，而且只许看纠正发生之前的项目记录。
这套基准聪明在哪
科研品味难考，因为研究决策开放、依赖上下文、没有标准答案。SciΠvot 的取巧之处在于借力：正确答案不需要评委，人类当初选的那一版就是答案；出题素材不需要编，真实项目里的纠正记录就是题。于是「品味」这种没法打分的东西，变成了可批量、可复测的准确率。十八位作者把推理力度、给不给项目记录、允不允许重新思考设为三个变量，交叉着考了五个前沿模型。
三个结果，一个比一个难受
头一个结果：在中等推理力度、带着项目记录的条件下，模型系统性地偏爱自己原来的方案——宁可坚持自己起草的计划，也不选人类的纠正版。第二个：五个前沿模型里，四个在选中案例上低于随机水平；项目条件下的全场最好成绩 63.5%，而人类新研究员是 73.4%。注意后者不是资深研究员，是刚入场的新人——模型输给的是「新人线」，不是「专家线」。第三个最反直觉：中等力度下，每个模型给了项目记录之后，正确率反而比不给更低；允许重新思考一轮，也没有稳定改善。
带着历史，反而做不好判断
论文没有拆解机制，但不难提出可检验的猜想：项目记录里躺着智能体自己先前写下的计划，读它就像读自己的旧方案——先验一旦落纸，翻案的权重就变了。这与记忆、上下文工程那条线是同一枚硬币的两面：那条线研究怎么让智能体记住，这条线提醒记忆本身会改变判断的分布。也有更平淡的解释：记录越长，信噪比越差，纠正信号被淹了。无论哪种解释，结论对部署都刺手——把完整项目历史塞进上下文这个标准动作，在判断类任务上可能是负资产。
这对「自主科研」意味着什么
把这篇和 Athanor 并读，画面才完整：执行层在过关（104 小时把活干完），判断层没过线（关键时刻信自己不信人），而且姿势难看——不是随机乱猜，是系统性地偏袒自己的原案。对「AI 自己做科研」的叙事来说，这是个精确的定位：目前的自主科研系统，上限大约是一名熟练的高级实验技术员，能跑流程、能调参数，但「该不该换个方向」这个问题，还得人来按头。对企业的启示更直接：人在回路的切分点，不该按任务时长划（跑得久就放手），该按判断密度划——越是不可逆的方向决策，越值得留一道人工确认。
边界与冷水
这套基准自带选择偏差：248 道题全部来自「人类纠正过」的瞬间，日常顺利通过的判断没有被采样，所以它测的是纠错时刻的能力，不是平均表现。五个前沿模型在摘要中未逐一点名，横向对比只能看区间。它也是个单时间快照，没有跨版本复测——模型升级换代之后，这条「新人线」会不会被追上，正是接下来值得盯的曲线。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。