自主显微镜的智能体基准测试支持特定任务评估，但未必能推广到未知任务

一项研究为自主显微镜控制开发了基准与追踪记录框架，系统评估了不同智能体架构、5种大语言模型及RAG参数等配置。研究记录了105种配置、1949次测试运行和49109次RAG检索。结果表明，代理架构选择显著影响延迟、成本与失败模式，但基于架构与测试结果的替代模型无法可靠预测代理在新显微镜任务上的表现。

此前关于AI控制科学仪器的研究缺乏系统比较标准。该研究首次在53项显微镜任务上对比多种智能体架构，揭示基准测试在预测未知任务性能上的局限性，提醒研究人员不能仅依赖基准分数选择智能体。

智能体显微镜控制涉及大量设计选择，如大语言模型、代理数量与职责划分、RAG参数等。不同配置在延迟、成本、失败模式上差异明显。但替代模型预测新任务性能不佳，暗示智能体可能在已知任务上过度拟合，缺乏泛化能力，基准测试捕获不到未知任务的涌现挑战。

对研发自动显微镜产品的团队，该研究提示需在基准测试之外，设计泛化性测试或引入更多任务多样性。智能体配置选择直接影响算力成本与操作延迟，进而影响产品单位成本与用户体验。同时，失败的不可预测性增加了调试难度。

• 开发多任务自适应智能体框架，基于任务类型动态切换代理架构，以提升未知任务性能。
• 推出智能体显微镜控制调试工具，内置追踪记录与失败模式分析，帮助工程师快速定位配置问题。
• 建立社区基准平台，持续扩充任务集，鼓励跨实验室泛化测试，减少过度拟合。

• 该研究的替代模型预测能力不足，是否源于实验设计或样本量限制？
• 不同大语言模型或代理拓扑之间是否存在普遍最优选择？
• 基线测试外，哪些具体机制导致泛化失败？
• 该基准框架能否扩展至其他科学仪器，如同步加速器束线？