一项名为Imaging-101的新基准测试揭示了LLM在通用编程任务中的表现与其处理科学计算成像专业需求的能力之间的差距。该基准测试由陈思逸领导的研究团队在arXiv上发布，评估了7个前沿LLM编程代理在6个科学领域的57项专家验证任务中的表现。
Imaging-101中的每项任务都基于经过同行评审的论文，并标准化为一个四阶段流程：预处理、前向物理建模、逆求解器和可视化。该基准测试通过三个轨道（规划、函数级单元测试和端到端重建）来测试编程代理，以精准定位它们的成功之处和失败原因。
研究结果揭示了通用编程基准测试无法捕捉的系统性弱点。LLM在科学情境中的算法选择上存在困难，无法为给定的成像模态选择适当的重建方法。它们会错误处理物理惯例，如符号、单位和归一化因子。最关键的是，它们在流程整合方面表现不佳，无法将预处理、物理建模、逆求解和可视化阶段连接成一个连贯且可运作的端到端系统。
这些问题并非小错误。计算成像通过从间接且带有噪声的测量中恢复隐藏信号，支撑着显微镜、MRI、CT扫描、天文学和光学领域的定量发现。一个能够通过标准LeetCode式挑战但无法正确实现前向物理模型的编程代理，对领域科学家而言尚无实用价值。
作者认为，这些研究结果指向了技能增强型、领域专业化代理这一切实可行的前进方向，而非期望通用型LLM仅通过规模扩展就能发展出科学编程能力。目前，该基准测试提供了一幅结构化的差距地图，而这是弥补这些差距的前提条件。
Sources: Imaging-101: Benchmarking LLM Coding Agents on Scientific Computational Imaging (arXiv, July 2026)
婷 翻译