MLR-Bench在NeurIPS 2025上发布了一项评估，发现当前AI智能体在生成连贯的研究思路和结构完整的论文方面表现出色，但在实验环节中，有高达80%的案例生成了伪造或无效的实验结果；有的强调代码执行的成功率，有的看重文献引用的准确性，有的关注推理的逻辑严密性。那么，综合以上三个标准，我们可以为科研智能体画出一张完整的评分表：流程完成度衡量它能否走完全程，结果可靠性检验它是否值得信任，自主

彼时，无论是坐在影院里的观众，还是实验室里的科学家，大都笃定地认为，这种机器彻底失控并反噬人类的桥段，属于好莱坞式的浪漫幻想——距离现实太过遥远，甚至永远不可能发生。但随着近几年AI产业的飞速发展，从能流畅对话的大语言模型，到可以自主决策的具身智能，AI正以前所未有的方式渗透进社会的毛细血管。全球人工智能的迭代速度已远远超出公众的预期。正是在这一背景下，有研究者提出了按风险类型进行分类分级、匹配多