與其請 AI 寫摘要、改改 bug，「Into the Unknown」要求 Agent 從零完成一段小型研究：閱讀一篇科學家寫的論文，再依據科學家親自提出的延伸方向，跑實驗、收集結果，最後交出一篇誠實且完整的後續論文。15 道題目橫跨不同學科，每一道都來自真正做研究的人對自己工作的下一步構想，而不是從公開資料庫拼湊出來的人工題。
針對想做比較的人，配套已經齊備：Hugging Face 上釋出資料集與 Agent 完整軌跡、檔案系統與產出論文，網站設有排行榜，歡迎提交新 Agent 的論文。Agent 端支援 Claude Agent SDK（opus-4.8、opus-5、opus-5.5、fable-5）、OpenAI Codex 系列（sol-5.6、astra-6），以及以 OpenHands 為底層的 glm-5.3。
想自建評測流程，只要 git clone 儲存庫、執行 prepare_tasks.py 把指定題目的程式碼與資料下載到 tasks/paper{1..15}/，再安裝對應 Agent 框架即可逐題評估。這樣做的好處是可以重現 Agent 的執行路徑與檔案系統，後續審視其論文是否真實反映實驗結果。
與一般 benchmark 不同，它考核的不只是答對或答錯，而是 Agent 面對開放、未定義的研究問題時，能否維持學術誠信並產出符合領域標準的成果。這對做 AI for Science、Agent 評測，以及想了解 Agent 在長程科學任務上瓶頸的團隊特別有參考價值。