FrontierChallenge: оценка завершения научного рабочего процесса
arXiv:2608.24979v1 Научные агенты все чаще анализируют данные, выполняют код и производят исследовательские артефакты, но большинство эталонов подчеркивают окончательные ответы, изолированные программы или одну область. Мы представляем FrontierChallenge, междоменный бенчмарк, состоящий из 300…