CompMat-Bench：评测 AI 智能体在计算材料科学中的研究能力

CompMat-Bench 包含 94 个源自已发表计算材料研究的单步任务，通过预复现输入与结果作为 ground truth，避免评估时重复昂贵模拟。基于三个 LLM 的智能体在单任务全指引下通过率为 66.0-90.4%；长流程或减少指引会拉低弱智能体表现，最强智能体仅在长流程加少指引时下降。多数失败归因于科学错误而非软件使用错误。