AI编程智能体能否做出真发现？

这个基准的杀伤力在于它把'复现'和'发现'拆开了——之前大家测的是智能体能不能跑通论文代码，NatureBench测的是面对同样问题能否独立想出解法。90个任务跨学科且带容器化环境，意味着可以自动化大规模评估，这对筛选真正有研究潜力的智能体很关键。

NatureGym的自动化流水线值得关注：从PDF提取方法、构建环境、到标准化评测，这套 infra 本身可能比 benchmark 更有工程价值。做科研智能体或自动化实验平台的团队，可以直接借鉴其环境构建思路。目前47个upvote但评论极少，说明社区还在消化，先发评论的人能定调子。