ScienceBoard Benchmark

该数据集是一个由人类精心策划的具有挑战性的基准，包含了169个高质量、经过严格验证的真实世界任务，覆盖了包括生物化学、天文学和地理信息学等领域的科学发现工作流程。该数据集包含了不同难度级别的任务，旨在评估不同模型在真实科学环境中的表现。规模上，该数据集跨越了多个科学领域的169项任务，其任务目标是评估科学工作流程中的多模态自主代理性能。