当前，驱动科学研究的人工智能（AI for Science，AI4S）在单点取得了可观的进展，实现了工具层面的革新，然而要成为 「 革命的工具 」 ，需要采用 「 通专融 合 AGI 」 方式。大模型的突破性能力逐步改变科学研究的模式，而大模型在科学领域的深度应用亟需科学的评测支撑。 现有科学评测面临着两大痛点：现有测试多聚焦知识记忆，而真实科研需要从原始科学数据感知到复杂推理的全链条能力；天文、地球、生命和材料等领域存在 大量未开发的多模态数据分析需求。 为此，上海人工智能实验室 AI4S 团队推出了 Scientists' First Exam（以下简称 SFE）—— 系统评估多模态大模型（MLLMs）多学科、高难度的科学专业领域认 知能力的评测基准 。 SFE 首创 「 信号感知 - 属性理解 - 对比推理 」 三级评估体系，涵盖 五大科学领域的 66 项高价值任务 ，采用原始科学数据和中英双语问答形式。测试表明，尽管 主流模型在传统基准表现优异，但在 SFE 高阶科学任务上仍面临显著挑战（ SOTA 大模型综合得分仅为 30 左右 ）。SFE 通过系统全面地评测大模型在科学任务 上的能力短板，为科学 ...

FOT团队 投稿 量子位 | 公众号 QbitAI 大模型越来越大，通用能力越来越强，但一遇到数学、科学、 逻辑这类复杂问题，还是常"翻车"。 为破解这一痛点， 华为诺亚方舟实验室 提出全新高阶推理框架 —— 思维森林（Forest-of-Thought，FoT） 。 该方法借鉴人类"多角度思考、反复验证"的认知方式， 打破传统LLM的线性推理范式，通过构建多棵并行推理树， 引入动态自我修正机制与 多视角共识决策策略。 论文将在7月份召开的ICML 2025大会上发表和开源。 在此基础上，FoT在多个数学推理任务中表现突出， 进一步展现了FoT相较于ToT（Tree-of- Thought）更优的推理能力。 具体而言，在GSM8K数据集上，结合FoT的QwQ- 32B模型准确率高达97.33%，超过了GPT- 4o和rStar-Math等先进模型；在更具挑战性的 AIME 2024测试中，更是将准确率提升至53.33%， 较对比方法rStar-Math高出6.66%。 | Table 5. The following summarizes the performance of FoT and | | | | ...