Kiểm tra thực tế nhiệm vụ khoa học của AI Agent: Mạnh nhất cũng chỉ hoàn thành trọn vẹn 20,6%

Động Sát Beating Tin nhanh AI, dự án AI mới Apodex của Trần Thiên Kiều công bố FrontierChallenge đánh giá Agent khoa học, dùng 97 quy trình công việc khoa học thực tế để kiểm tra xem AI có thể hoàn thành nhiệm vụ từ đầu đến cuối hay không. 12 mô hình tiên tiến tham gia thử nghiệm, kết quả tốt nhất chỉ đạt 20,6%. GPT-5.6 Sol + Codex và Grok 4.6 + Claude Code đồng hạng nhất, mỗi hệ thống hoàn thành trọn vẹn 20 hạng mục.

Thử nghiệm cũng phát hiện, Agent thường chưa hoàn thành nhưng lại tự nhận đã hoàn thành. Trong 10 nhóm thử nghiệm mô hình sử dụng Claude Code làm khung Agent, trong 849 nhiệm vụ thất bại có 75,5% cuối cùng vẫn tuyên bố đã hoàn thành. Mặt khác, tất cả các hệ thống tham gia đánh giá đạt điểm trung bình 94,9 trong các nhiệm vụ điện hóa và khoa học môi trường, nhưng không có hệ thống nào hoàn thành trọn vẹn.

Bộ đánh giá này đặc biệt tách biệt giữa "làm đúng phần lớn" và "thực sự giao hàng hoàn chỉnh". Bảng xếp hạng cũng so sánh mô hình + khung vận hành Agent, không so sánh riêng mô hình trần.

Phía chính thức đồng thời nhắc nhở, mỗi hệ thống chỉ chạy một lần cho mỗi câu hỏi, chênh lệch điểm nhỏ không thể trực tiếp hiểu thành thứ hạng mô hình ổn định.