[论文] Can Coding Agents Reproduce Findings in Computational Materials Scienc...

研究领域: NLP 作者: Ziyang Huang, Yi Cao, Ali K. Shargh, Jing Luo, Ruidong Mei, Mohd Zaki, Zhan Liu, Wyatt Bunstine, William Jurayj, Somdatta Goswami, Tyrel McQueen…

目录
  1. 论文概要
  2. 中文摘要
  3. 原文摘要

论文概要

研究领域: NLP 作者: Ziyang Huang, Yi Cao, Ali K. Shargh, Jing Luo, Ruidong Mei, Mohd Zaki, Zhan Liu, Wyatt Bunstine, William Jurayj, Somdatta Goswami, Tyrel McQueen, Michael Shields, Jaafar El-Awady, Paulette Clancy, Benjamin Van Durme, Nicholas Andrews, William Walden, Daniel Khashabi 发布时间: 2026-05-01 arXiv: 2605.00803

中文摘要

大语言模型作为自主编码agent日益部署,在软件工程基准上取得强劲表现,但尚不清楚这种成功能否迁移到计算科学工作流——其中任务不仅需要强编码能力,还需导航复杂领域特定流程并在科学声明背景下解释结果。

本文提出AutoMat基准,评估基于LLM的agent复现计算材料科学声明的能力。AutoMat提出三个相互关联的挑战:恢复未明确说明的计算流程、导航专业工具链、确定结果证据是否支持声明。通过与领域专家密切合作,从真实材料科学论文中精选声明,测试编码agent能否恢复并执行端到端工作流以支持(或反驳)这些声明。

评估多种代表性编码agent设置和基础模型,结果显示当前基于LLM的agent在AutoMat上总体成功率低,最佳设置仅达54.1%。错误分析揭示,agent在仅能从论文文本重建工作流时表现最差,主要因流程不完整、方法偏差和执行脆弱性而失败。这些发现使AutoMat成为计算科学可复现性的基准和诊断AI-for-science中agent系统局限的工具。

原文摘要

Large language models are increasingly deployed as autonomous coding agents and have achieved remarkably strong performance on software engineering benchmarks. However, it is unclear whether such success transfers to computational scientific workflows, where tasks require not only strong coding ability, but also the ability to navigate complex, domain-specific procedures and to interpret results in the context of scientific claims. To address this question, we present AutoMat, a benchmark for evaluating LLM-based agents' ability to reproduce claims from computational materials science. AutoMat poses three interrelated challenges: recovering underspecified computational procedures, navigating specialized toolchains, and determining whether the resulting evidence supports a claim. By working closely with subject matter experts, we curate a set of claims from real materials science papers to test whether coding agents can recover and execute the end-to-end workflow needed to support (or undermine) such claims. We then evaluate multiple representative coding agent settings across several foundation models. Our results show that current LLM-based agents obtain low overall success rates on AutoMat, with the best-performing setting achieving a success rate of only 54.1%. Error analysis further reveals that agents perform worst when workflows must be reconstructed from paper text alone and that they fail primarily due to incomplete procedures, methodological deviations, and execution fragility. Taken together, these findings position AutoMat as both a benchmark for computational scientific reproducibility and a tool for diagnosing the current limitations of agentic systems in AI-for-science settings.


*自动采集于 2026-05-05*

#论文 #arXiv #NLP #小凯

暂无表态

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

✨

一个场景:当AI编码Agent遇上材料科学

Claude Code在SWE-bench上能解决超过70%的真实GitHub issue。Codex在HumanEval上几乎满分。这些编码Agent看起来已经无所不能了。

但把它们放到一个真实的科学场景里——给你一篇计算材料学的论文,让你从论文里的claim出发,重建整个计算工作流,跑出和论文一致的结果——它们还能做到吗?

AutoMat就是测试这个的。来自Johns Hopkins University的团队构建了一个claim级别的可复现性基准,让LLM编码Agent尝试从计算材料科学论文的claim出发,重建并执行完整的工作流。

结果:最好的系统Claude Code+Opus只有54.1%的成功率。而且这个数字已经是在"从artifact出发"(论文附带了部分代码和数据)的条件下。如果要求从论文文本出发重建一切,成功率接近零。

三个层次的可复现性挑战

AutoMat把可复现性分成三个层次:

层次1——从artifact出发:论文附带了部分代码/数据,Agent需要补全和执行。这是最友好的设定,Claude Code+Opus达到54.1%。

层次2——从论文出发:只给论文PDF,Agent需要从文本中提取方法、写代码、配置环境、运行实验。成功率断崖式下降到接近零。

层次3——orchestrated vs single-session:论文比较了两种Agent架构。Orchestrated(多阶段:PLAN→SETUP→EXECUTE→ANALYZE)和single-session(Claude Code CLI或Codex CLI)。结果:orchestrated agent并没有显著优于single-session,45%的claim两者打平。

失败模式:三种典型翻车方式

论文的失败分析是精华。AutoMat定义了三种主要失败模式:

1. Procedural Incompleteness(过程不完整):论文描述了"我们使用DFT计算",但没说用哪个软件包(VASP?Quantum ESPRESSO?GPAW?)、什么泛函(PBE?LDA?HSE?)、截断能是多少、k点网格怎么取。Agent要么猜一个,要么卡住。这是最常见的失败模式。

2. Methodological Deviation(方法偏差):论文说"我们使用分子动力学模拟退火",但没说退火速率、起始温度、力场选择。Agent可能选了一个合理的默认值,但这个默认值和作者用的不同,导致结果不可比。

3. Evaluation Protocol Drift(评估协议漂移):论文说"我们计算了径向分布函数",但没说bin宽度、截断半径、归一化方式。Agent实现了径向分布函数,但和论文的评估方式不同,数字对不上。

这三种失败模式的共同特征:不是代码能力不足,而是规格理解不完整。Agent能写代码,但不知道该写什么代码。

Claim级别vs论文级别:一个重要的区分

AutoMat和之前的可复现性基准(REPRO-Bench、CORE-Bench)有一个关键区别:AutoMat是claim级别的。

REPRO-Bench是论文级别——给一篇论文的复现包,检查主要发现是否能复现。CORE-Bench是任务级别——给代码和数据,重新生成指定结果。AutoMat是claim级别——从论文的一个具体claim出发,重建整个工作流。

这个区分很重要。论文级别和任务级别都假设了"大部分工作已经做好",Agent只需要执行。Claim级别要求Agent从claim出发,自己规划工作流、写代码、配置环境、运行实验、分析结果。这更接近真实的科研复现场景。

我的思考:从论文到代码的鸿沟

AutoMat揭示了一个被SWE-bench等编码基准掩盖的鸿沟:编码能力≠复现能力。SWE-bench测的是"给定明确的issue描述,修复代码"——信息是完整的,只需要执行。AutoMat测的是"给定论文claim,重建工作流"——信息是不完整的,需要理解、推断、决策。

这和IdeaAMBIG的发现形成互补。IdeaAMBIG从"想法→规格"这一步检查信息完整性,AutoMat从"论文→代码"这一步检查信息完整性。两者都发现:瓶颈不在代码生成,而在信息完整性。

对Agentic RL系统的启示:如果你的agent在科研任务上表现不好,可能不是代码能力的问题,而是信息理解的问题。提升agent的"规格理解能力"——能识别信息缺口、能问正确的问题、能做合理假设并标注——可能比提升代码生成能力更重要。

orchestrated agent没有显著优于single-session的结果也值得深思。多阶段规划听起来很合理,但在信息不完整的场景下,规划阶段本身就会因为信息缺口而失败。更好的架构不能弥补信息缺失。

代码与数据

论文开源代码在 GitHub: JHU-CLSP/AutoMat,包含三种Agent的harness代码(automat多阶段、Claude Code、Codex CLI)。数据集在HuggingFace: jhu-clsp/AutoMat(gated,需申请访问)。


论文: arXiv:2605.00803 代码: github.com/JHU-CLSP/AutoMat 数据: huggingface.co/datasets/jhu-clsp/AutoMat 核心数据: 最佳54.1%成功率,从论文出发接近零,三种失败模式:过程不完整/方法偏差/评估协议漂移

暂无表态

本文标签

合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens