{
  "title": "FEM-Bench揭示科学代码自检与数值正确性的落差",
  "summary": "有限元科学编程评测扩展到17项任务，区分多次尝试成功与稳定正确。研究分析智能体自检缺陷，并探索编码与测试分工；公开代码未包含新留出任务和实验数据，完整复现仍受限制。"
}