Un nouveau benchmark demande aux modèles d'améliorer une méthode scientifique, pas de réciter une réponse
STEMBench évalue douze problèmes de recherche informatique avec les mesures utilisées par les scientifiques, puis situe chaque résultat entre une base générique et une méthode experte reproduite. Les premiers résultats dessinent des forces propres à chaque tâche, tandis qu’une validation par des experts reste à mener.