Untersuchung der wissenschaftlichen Allgemeinen Intelligenz von LLMs anhand von wissenschaftlerorientierten Arbeitsabläufen
Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows
December 18, 2025
papers.authors: Wanghan Xu, Yuhao Zhou, Yifan Zhou, Qinglong Cao, Shuo Li, Jia Bu, Bo Liu, Yixin Chen, Xuming He, Xiangyu Zhao, Xiang Zhuang, Fengxiang Wang, Zhiwang Zhou, Qiantai Feng, Wenxuan Huang, Jiaqi Wei, Hao Wu, Yuejin Yang, Guangshuai Wang, Sheng Xu, Ziyan Huang, Xinyao Liu, Jiyao Liu, Cheng Tang, Wei Li, Ying Chen, Junzhi Ning, Pengfei Jiang, Chenglong Ma, Ye Du, Changkai Ji, Huihui Xu, Ming Hu, Jiangbin Zheng, Xin Chen, Yucheng Wu, Feifei Jiang, Xi Chen, Xiangru Tang, Yuchen Fu, Yingzhou Lu, Yuanyuan Zhang, Lihao Sun, Chengbo Li, Jinzhe Ma, Wanhao Liu, Yating Liu, Kuo-Cheng Wu, Shengdu Chai, Yizhou Wang, Ouwen Zhangjin, Chen Tang, Shufei Zhang, Wenbo Cao, Junjie Ren, Taoyong Cui, Zhouheng Yao, Juntao Deng, Yijie Sun, Feng Liu, Wangxu Wei, Jingyi Xu, Zhangrui Li, Junchao Gong, Zijie Guo, Zhiyu Yao, Zaoyu Chen, Tianhao Peng, Fangchen Yu, Bo Zhang, Dongzhan Zhou, Shixiang Tang, Jiaheng Liu, Fenghua Ling, Yan Lu, Yuchen Ren, Ben Fei, Zhen Zhao, Xinyu Gu, Rui Su, Xiao-Ming Wu, Weikang Si, Yang Liu, Hao Chen, Xiangchao Yan, Xue Yang, Junchi Yan, Jiamin Wu, Qihao Zheng, Chenhui Li, Zhiqiang Gao, Hao Kong, Junjun He, Mao Su, Tianfan Fu, Peng Ye, Chunfeng Song, Nanqing Dong, Yuqiang Li, Huazhu Fu, Siqi Sun, Lijing Cheng, Jintai Lin, Wanli Ouyang, Bowen Zhou, Wenlong Zhang, Lei Bai
cs.AI
papers.abstract
Trotz Fortschritten in der wissenschaftlichen KI fehlt es nach wie vor an einem kohärenten Rahmenwerk für Wissenschaftliche Allgemeine Intelligenz (Scientific General Intelligence, SGI) – der Fähigkeit, eigenständig Konzepte zu entwickeln, zu untersuchen und über wissenschaftliche Domänen hinweg zu schlussfolgern. Wir präsentieren eine operationale SGI-Definition, die auf dem Modell des praktischen Forschens (Practical Inquiry Model, PIM: Deliberation, Conception, Action, Perception) basiert, und operationalisieren diese durch vier auf Wissenschaftler ausgerichtete Aufgaben: tiefgehende Recherche, Ideengenerierung, Trocken-/Nassexperimente und experimentelles Reasoning. SGI-Bench umfasst über 1.000 expertengestützte, disziplinübergreifende Beispiele, inspiriert von den 125 großen Fragen der Wissenschaft, und ermöglicht eine systematische Evaluation modernster LLMs. Die Ergebnisse zeigen Defizite auf: eine geringe exakte Übereinstimmung (10–20 %) bei der tiefgehenden Recherche trotz Übereinstimmung auf Schrittebene; Ideen, denen es an Machbarkeit und Detailliertheit mangelt; hohe Code-Ausführbarkeit, aber geringe Genauigkeit der Ausführungsergebnisse bei Trockenexperimenten; geringe Sequenzgenauigkeit in Nassprotokollen; und anhaltende Herausforderungen im multimodalen Vergleichs-Reasoning. Wir führen zudem Test-Time Reinforcement Learning (TTRL) ein, das retrieval-verstärkte Neuheitsbelohnungen während der Inferenz optimiert und so die Neuartigkeit von Hypothesen ohne Referenzantworten verbessert. Zusammen legen unsere PIM-basierte Definition, der workflow-zentrierte Benchmark und die empirischen Erkenntnisse eine Grundlage für KI-Systeme, die sich tatsächlich an der wissenschaftlichen Entdeckung beteiligen.
English
Despite advances in scientific AI, a coherent framework for Scientific General Intelligence (SGI)-the ability to autonomously conceive, investigate, and reason across scientific domains-remains lacking. We present an operational SGI definition grounded in the Practical Inquiry Model (PIM: Deliberation, Conception, Action, Perception) and operationalize it via four scientist-aligned tasks: deep research, idea generation, dry/wet experiments, and experimental reasoning. SGI-Bench comprises over 1,000 expert-curated, cross-disciplinary samples inspired by Science's 125 Big Questions, enabling systematic evaluation of state-of-the-art LLMs. Results reveal gaps: low exact match (10--20%) in deep research despite step-level alignment; ideas lacking feasibility and detail; high code executability but low execution result accuracy in dry experiments; low sequence fidelity in wet protocols; and persistent multimodal comparative-reasoning challenges. We further introduce Test-Time Reinforcement Learning (TTRL), which optimizes retrieval-augmented novelty rewards at inference, enhancing hypothesis novelty without reference answer. Together, our PIM-grounded definition, workflow-centric benchmark, and empirical insights establish a foundation for AI systems that genuinely participate in scientific discovery.