七款模型端到端做数据科学项目：反馈循环平均分从59%提升到76%

一项研究让 7 个模型（来自 Anthropic、OpenAI、Google、DeepSeek、Z.AI）互为写手和评分者，完成 49 组配对、各跑 3 次的端到端数据科学项目，包括下载数据、清洗、分析和写论文。147 份初始提交中 107 份可运行渲染，平均分从 59% 升至 76%。单个模型的提升幅度从 Anthropic Opus 5.5 的 3 个百分点到 Haiku 4.5 的 46 个百分点不等。模型给自己的作品打分平均比其他模型高约 9 个百分点，且约一半的轮次间提升来自评分者自身的噪声。