为什么重要
首个评测 Agent 能否完成端到端前沿物理研究的基准：任务来自真实科研问题（物理 PhD 需数周完成），SOTA Agent 依然吃力。评分不靠最终实验结果，而是可验证 grader + rubric 评审 agent 的迭代式评估（研究→实现→评审→反馈循环），把”同行评审”搬进了评测协议。
构建方式与示例
- 任务形态：文献深读（如囚禁离子量子网络的中继方案调研）→ 择优定案 → 仿真实现（trap 势场模拟、shuttling 设计）
- 任务自带完整环境：Dockerfile、verifier、rubric.json、oracle 资产，评分标准由具备实操复现经验的专家撰写（双人撰写+多级评审）
- 贡献者激励：贡献 2 个任务（或等值基建/评审）即成为论文共同作者；v1.0 论文目标 Nature
关联基准与展望
关联：SkillsBench（同门）、MLE-Bench、SWE-bench-science。AI4Science 是当前公认的下一代评测主战场（Jeff Dean 离职创办 Discovery Loop、Genesis Mission 50 亿美元投入），但”能衡量它的基准”此前是空白。值得盯：rubric reviewer agents 这条”评审式评测”路线能否泛化到生物、材料等其他实验科学。