Ai2发布全新评测基准SciArena：为科学文献任务而生的大模型评测新基准，o3大幅领先所有大模型

科学文献的爆炸式增长，使得研究者日益难以全面掌握和整合新知识。基础模型（Foundation Models）正越来越多地被应用于支撑该领域的知识发现与信息整合，但如何**全面、动态、细致地评测这些模型在开放性科学任务上的能力**，却一直是学界未解的难题。传统通用类评测基准往往静态有限、颗粒度粗、更新滞后，难以满足科学研究领域的评测诉求。

<center>![](https://www.datalearner.com/resources/blog_images/0d9e2322-ab46-4a5f-8e07-d8b5a203961b.webp)</center>
<center></center>

为此，Ai2发布了一个全新评测平台——SciArena，用以帮助我们来测试大模型在科研领域的能力。这个评测系统使用了“人类众包对比评测”的理念，更结合科学问题的独特复杂性，构建了开放、透明且可迭代的模型评测生态。本文将对SciArena的核心机制、亮点创新、初步成果及其带来的未来挑战进行解读。

[TOC]

## SciArena的核心亮点：专为科学文献任务而打造的评测平台

作为一个以社区为驱动力的开放评测平台，**SciArena**针对科学文献场景，兼顾科学性、场景还原和动态实时性，为基础大模型能力诊断提供了全新思路。

SciArena本身由三个重要组成部分协同构建：

1. **社区众包评测平台**  
   研究者可在平台上提交科学问题，平台自动检索并获取高质量的期刊文献背景，然后由两随机选取的主流基础模型生成带有引用的长文本答案，最终由用户盲评选择最优答案。
   
2. **动态Leaderboard排名**  
   基于用户投票结果，平台采用Elo评分系统对模型进行动态排名，反映主流模型在不同领域下的真实表现。

3. **Meta评测数据集SciArena-Eval**  
   基于真实投票数据，构建新型meta-evaluation基准，用以评估纯自动化评测机制的准确性和可信度。

这种以**任务驱动+社区评审+数据反哺**为核心的机制，不仅有效提升评测的客观性，还可持续扩展到更多模型与问题类型。

## SciArena的实现方法：针对科学文献的“检索-生成-对比”流水线

相比通用领域评测，科学问题任务对模型能力要求极高，尤其需要准确引用专业文献并输出结构化、可信的文本。

为了更加客观准确测试大模型在科学问题上的能力，SciArena充分借鉴并提升了Ai2自身的Scholar QA系统，形成了如下独特的评测流水线：

- **多阶段检索**　用户提交问题后，平台首先将问题拆分成更精细的检索子意图，自动检索出高相关的科学文献段落，并进行重排序，保证答案“有的放矢”。
- **标准化长文本生成**　两款模型基于相同文献语境，各自生成结构规范、格式统一（如引用风格统一）的详细回答，以尽可能减少文风、格式等非本质因素带来的主观偏差。
- **盲审投票**　所有答案在展示时都去除模型身份标记，仅凭内容和学术价值评判优劣。
- **多维度质量保障**　包括严格的专家招募、高强度标注培训、全面的质量校验及自一致性追踪，保障每一份数据的真实与可靠。

**这一完整闭环的科学场景评测流程，是目前通用大模型测评所难以企及的创新。**

## SciArena测试结果：o3一骑绝尘，DeepSeek-R1属于第一档

截至2025年6月30日，**SciArena已收录并评测了23款代表前沿能力的基础模型**。这些模型不仅覆盖了LLM主流阵营（如OpenAI、Anthropic、DeepSeek等），还补充了部分专业面向科学的模型，代表了行业最新的梯队水平。

根据SciArena Leaderboard以及上万份科学家盲评结果，我们可以看到排行如下：

<center>![](https://www.datalearner.com/resources/blog_images/67b568ae-4c18-48ab-a561-3423673c9dfc.webp)</center>
<center></center>

可以看到，o3是断档领先其它模型，Ai2发现**o3对被引科学论文的阐述更为详细，其输出在工程学科领域更偏向技术性**。

剩下是Claude-4-Opus模型，而有意思的是在各方面评价都很好的Gemini-2.5-Pro和DeepSeek-R1-0528、o4-mini模型同一水平。不得不说，DeepSeek真的很强！

除了o3外，其它模型的表现与领域都很相关，例如，Claude-4-Opus 在医疗保健领域表现出色，而 DeepSeek-R1-0528 在自然科学领域表现优异。

令人关注的是，在Healthcare和Natural Science这类高度专业化领域，头部模型的“专精化表现”也极为明显，暗示未来AI模型分领域调优的重要趋势。

值得一提的是，Llama4-Scout表现非常差，倒数第一，与此前大家感知基本一致！

## 自动评测系统的挑战

SciArena-Eval作为平台的Meta评测模块，测算了模型自身在预测人类偏好上的能力。实验显示，即使是表现最优的o3，仅能达到**65.1%的准确率**（人机一致性），显著低于通用评测如AlpacaEval、WildChat中>70%的标准。 
这说明：**科学任务的开放性和专业性，令自动化评测依然面临重大技术难题，任何机械的评测分都远不是“终极判据”。**

## SciArena总结与展望

作为全球首个专注于**科学文献任务的基础模型开放评测平台**，SciArena兼顾了任务还原、评测科学性和数据开放性，推动基础模型在科研应用场景的真实能力不断提升。其创新的“多阶段检索+盲审投票+Meta基评”体系，不仅能够精准诊断多模型多学科下的能力短板，也为下一代自动评测系统的构建提供了坚实的数据支撑。

未来，平台将持续扩容模型池，并系统探索不同检索索引、召回机制和Prompt设计对评测结果的潜在影响，不断完善科学AI评测的行业新基准。对于科学家、AI开发者以及科研数据产品团队，SciArena无疑是值得重点关注和参与的新一代科学评测基础设施。

SciArena的原文参考Ai2官网：https://allenai.org/blog/sciarena

Ai2发布全新评测基准SciArena：为科学文献任务而生的大模型评测新基准，o3大幅领先所有大模型

欢迎大家关注DataLearner官方微信，接受最新的AI技术推送

相关博客

最热博客