SciExam for ENSO：AI Agent 能否构建气候模型？

论文提出面向厄尔尼诺-南方涛动（ENSO）的 AI 科学考试基准。Agent 在六小时预算内处理真实观测、自行编写并冻结诊断程序，仅以这些诊断为反馈开发低阶随机模型；隐藏评分器检验模型能否复现 ENSO 统计特征、恢复未观测变量并预测留出年份，同时对已发表模型按同一标准评分。在十二个 Agent 系统中，六个生成的模型得分高于已发表模型，主要优势在重建与预测。

AI推荐理由 提出 SciExam for ENSO 基准：让语言模型 Agent 在六小时预算内基于真实观测构建 ENSO 低阶随机模型，诊断冻结后由隐藏评分器检验统计复现、未观测变量恢复与留出年份预测，并与已发表模型同标准对比。十二个 Agent 系统中六个得分超过已发表模型，是评估 Agent 科研能力的可验证新基准。