ForeSci: Evaluating LLM Agents for Forward-Looking AI Research Judgment

ForeSci 把“未来研究判断”变成时间受控 benchmark：模型只能看 cutoff 前的 offline knowledge base，post-cutoff papers 只用于验证。它包含 500 个任务，跨四个快速变化的 AI domain 和四类 decision family。实验显示显式证据组织能改善 traceability 和 factual support，但 agent 仍会 cite 相关证据却预测错研究对象，这个 evidence-decision decoupling 是研究型 agent 很现实的失败模式。