5.2 ForeSci：研究判断型 agent 评测

类型：arxiv
标识：2606.00644
链接：https://arxiv.org/abs/2606.00644
主题：agent, database, engineering, evaluation, llm-infra, multimodal, rag, risk
主分类：evaluation
形态：benchmark
被引：0
被引来源：Semantic Scholar + OpenAlex
S2被引：0
OpenAlex被引：0
影响力被引：0
TLDR：This work introduces ForeSci, a temporally controlled benchmark for evaluating whether LLM agents can make such forward-looking research judgements from historical evidence, and evaluates native LLMs, Hybrid RAG, and three research-agent adaptations across four backbones.
OpenAlex ID：W7163192698
OpenAlex DOI：10.48550/arxiv.2606.00644
DOI：10.48550/arxiv.2606.00644
DOI来源：OpenAlex
开放获取：green
开放获取链接：https://doi.org/10.48550/arxiv.2606.00644
OpenAlex更新：2026-08-23
TLDR中文：本文提出 ForeSci，一个时间受控的基准，用于评估 LLM Agent 是否能从历史证据中做出前瞻性研究判断，并在四种骨干模型上评测原生 LLM、Hybrid RAG 以及三种 research-agent 适配方案。
副分类：agent
待LLM分类：否
来源文件：
/inbox/tom/2026-06-10-agent-memory-rag-eval-radar.md
[S2 enrich]
[OpenAlex backfill]

可复用信息

- 链接：https://arxiv.org/html/2606.07402v1
- 看点：把用户-助理长期互动扩展到文本、图片、文档等多模态历史。抽取片段显示，把整个对话塞入上下文会在多模型上降低回答质量，尤其开放模型下降更明显。
- 判断：适合补充“长上下文不等于长期记忆”的证据。建议进入 registry，但优先级略低于 MAGE/MRAgent。
- 链接：https://arxiv.org/html/2606.00644v2
- 看点：从文献 QA 转向评估 research agent 的方向预测、瓶颈诊断、战略规划与 venue/community 判断。
- 判断：与“学术研究知识库运营”本身高度相关，但需要审稿其任务构造是否足够客观。建议进入 registry，标注为 research-agent-eval。
- 链接：https://github.com/volcengine/OpenViking
- 看点：README 给出 OpenViking 0.3.22 在 LoCoMo、agent experience memory、HotpotQA 上的评测；HotpotQA top-20 检索声称达到 91% accuracy，延迟 0.23s。