11 月 11 日提交的 arXiv 2611.15049 提出 Science Prediction Universe，考的不是复述文献，而是预测实验结果，论文由 Zengji Tu、Xiang Liu 等三十余人署名，全文 52 页、28 张图、7 张表。基准收 100 道公开已验证任务，覆盖化学、材料科学、生物与医学，另加 16 道来自未发表湿实验的私有任务。题目给定实验设置与若干候选条件，智能体可以调用任意所需资源，要做的只是按实测结果给候选项排序。
评测用了 13 种智能体配置，横跨 12 款前沿模型，跑在 Codex 与 Claude Code 两套挽具上。公开基准上配置分成明显两档，按任务校正后的 Spearman 相关系数从最低 0.227 到最高 0.478，离饱和还有距离。作者随后拆了 1,155 条已评分的公开轨迹，里面共有 227,103 次工具调用，把瓶颈归到科学判断，而非工具执行。
支撑这个判断的是一组对照读数，各配置彼此之间的一致度 0.52，与实验真实结果的一致度只有 0.33。智能体大量依赖共同的单调先验，比如认定某个量越大结果越好，于是彼此答得像，却一起偏离实测，轨迹里还反复出现计算一些对最终结果没有影响的简易理化代理量。工具调用上了 22 万次，说明执行一侧并不缺力气，缺的是选哪个假设去验。
这组数还引出一层少被提及的推论。0.52 高于 0.33，意味着 13 种配置的错误高度同向，把多个智能体的答案拿来投票或集成，在这类任务上未必比单跑更好，因为错误并不独立。摘要未列的部分包括 16 道私有题的学科分布与保管方式、0.52 与 0.33 的一致度计算口径、12 款模型的名字、13 种配置与两套挽具的对应表，以及私有榜单是否对外开放。