这项工作总结了近期AI在数学、医学和材料科学等STEM领域带来的突破性进展，并引入了一套全新的评估体系——由领域专家逐题验证的STEM问答基准。与以往依赖非专家标注或自动匹配答案的测试不同，该基准要求专家对每道题目的科学准确性、逻辑严密性和结论可靠性进行人工核验，从而更真实地反映AI模型在解决专业科学问题时的能力。这项工作之所以值得关注，是因为它弥补了现有AI评估中“高分低能”的缺陷：许多模型在通用问答上表现优异，但在深层次的科学推理和知识运用上却漏洞百出。通过专家验证，研究者可以更精细地定位模型的薄弱环节，也为后续训练更可靠的科学AI提供了参照标准。此外，这一基准的建立有助于推动AI在科研场景中的实际落地，让研究者更放心地将其用于假设生成、实验设计或文献分析等环节。对于关注AI科学应用的读者而言，这项工作提供了一个更严谨的尺子，也预示着AI评估正在从“看答案”转向“评过程”。