K-Bench：在真实科学智能体请求上度量模型性能

现有的科学人工智能基准大多是为打分而设计的：多选题、附带参考解的精选智能体任务，或具有已知生成结构的模拟器。真实的科学请求则以另一种方式到来：它们欠规范、携带附件、缺乏真值。我们报告 K-Bench 01，一个构建自 K-Dense Web 真实用户流量首轮请求的评测，由九个前沿模型在相同沙箱中端到端完成，共产生 1,602 次完成的智能体运行。三名盲评语言模型评委依据八维度评分细则为每次运行打分。在一套 8 分锚点告知评委“领域科学家稍加修改即可接受该工作”的评分细则下，没有任何模型在全部三位评委那里越过该线。gpt-5.6-sol 的合并均值最高，为 8.04，但其 95% 区间 [7.80, 8.23] 跨越阈值，且三位评委中有两位把 claude-opus-5 排在第一。因此我们把系统排序作为可复现的量来报告，把绝对水平视为量具的属性，并把榜单首位视为未定。在全部 39,934 条评分判定中——八个维度得分加上每次评估的整体分，不含不适用单元——47.6% 低于 8 分阈值。难度在细则各维度上并不均匀：在相同分母和九个模型内部方向一致的情况下，科学准确性平均 6.22，而沟通表达为 7.33。最主要的失败标签是过度宣称，占 31.4% 的评估。我们主张，对科学智能体而言，有信息量的量不是排行榜位置，而是“交付了什么、宣称了什么、产出了什么工件”的联合分布。