Evaluación de la Capacidad de Razonamiento Científico General en LLMs mediante Flujos de Trabajo Alineados con la Práctica Científica
Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows
December 18, 2025
Autores: 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
Resumen
A pesar de los avances en la IA científica, aún falta un marco coherente para la Inteligencia General Científica (SGI, por sus siglas en inglés): la capacidad de concebir, investigar y razonar de forma autónoma a través de dominios científicos. Presentamos una definición operativa de SGI basada en el Modelo de Indagación Práctica (PIM: Deliberación, Concepción, Acción, Percepción) y la operacionalizamos mediante cuatro tareas alineadas con el quehacer científico: investigación profunda, generación de ideas, experimentos secos/húmedos y razonamiento experimental. SGI-Bench comprende más de 1,000 muestras interdisciplinarias curadas por expertos, inspiradas en las 125 Grandes Preguntas de la revista Science, permitiendo la evaluación sistemática de los LLMs más avanzados. Los resultados revelan deficiencias: coincidencia exacta baja (10-20%) en investigación profunda a pesar de una alineación a nivel de pasos; ideas que carecen de viabilidad y detalle; alta capacidad de ejecución de código pero baja precisión en los resultados de ejecución en experimentos secos; baja fidelidad de secuencia en protocolos húmedos; y desafíos persistentes en el razonamiento comparativo multimodal. Además, introducimos el Aprendizaje por Refuerzo en Tiempo de Prueba (TTRL), que optimiza las recompensas de novedad aumentadas por recuperación durante la inferencia, mejorando la novedad de las hipótesis sin necesidad de una respuesta de referencia. En conjunto, nuestra definición basada en el PIM, nuestro punto de referencia centrado en flujos de trabajo y nuestras percepciones empíricas establecen una base para sistemas de IA que participen genuinamente en el descubrimiento científico.
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.