SciAgentGym: 基准测试LLM代理中的多步骤科学工具使用

科学推理本质上需要整合复杂的工具包以应对特定领域的知识。然而，当前基准测试大多忽视了代理在严格工作流中协调工具的能力。为弥补这一不足，我们引入了SciAgentGym，一个可扩展的交互环境，包含1,780个跨四个自然科学领域的特定工具，并配有强大的执行基础设施。此外，我们提出了SciAgentBench，一套分层评估套件，用于从基本操作到长期工作流的压力测试。我们的评估发现了一个关键瓶颈：最先进的模型在复杂科学工具使用上表现不佳。即使对于领先的GPT-5模型，随着交互时间延长，成功率也显著下降，主要原因是多步骤工作流执行失败。为此，我们提出SciForge，一种数据合成方法，将工具动作空间建模为依赖图以生成逻辑感知的训练轨迹。通过在这些轨迹上进行微调，我们的SciAgent-8B在性能上超越了显著更大的Qwen3-VL-235B-Instruct模型，并表现出科学工具使用能力的跨领域迁移潜力。这些结果突显了下一代自主科学代理的广阔前景。