ScienceAgentBench：邁向嚴謹評估用於數據驅動科學發現的語言代理

為促進數據驅動科學發現自動化的發展，本文提出一個新的基準測試 ScienceAgentBench，用於評估語言代理在真實科學任務中的程式碼生成能力，並強調了當前語言代理的局限性以及未來發展方向。