ScholarGym: Benchmarking Large Language Model Capabilities in the Information-Gathering Stage of Deep Research

arXiv '26 2026 21.1 benchmark

Read-first 评分解释

综合优先阅读分 21.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。

近期性 11%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

可复现性 33%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

主题相关性 56%

将配置的研究关键词与标题、摘要、标签和分析文本进行匹配。匹配关键词数：0

前沿论文

稳定性：volatile；排名波动范围：39。