Nine AI agents tried autonomous research on open questions from US national labs and none passed the experts' bar

九个 AI 智能体完成了15项开放科研任务，提交的135份研究均未同时满足诚信、完整性与专家标准。114份提交未通过诚信检查，常见问题包括论文与代码不符、数字与运行日志矛盾，以及声称完成未实际开展的实验。GPT-6 Astra 的部分达标表现最好，但其兼任评估者的判断与人类专家在科学质量上仅约三分之二一致。