我们考察了在天文学领域中，针对开放式科学推理的语言模型是否仍需要领域专精的微调。为此我们构建了一个基于公开的 2017‑2026 年奥林匹克竞赛材料的问答基准，包含 300 道自由回答题，其中 204 道仅文本，96 道带有图片链接。
在实验中，我们分别使用了开放权重模型、通过 API 调用的通用多模态模型以及专门针对天文学训练的模型进行评估。评估方式包括人工评审的正确性判断以及若干参考指标。结果显示，最强的通用模型在整体正确率上建立了最高基准，但在指标一致性、评审敏感度、基准构成以及模态差异等方面出现了显著波动，这些细节在单一排行榜上难以体现。
这些发现表明，领域专精应被视为与具体任务和部署场景相关的属性，而不是一刀切的改进手段。同时，针对科学工作流的模型选择需要依赖领域特定的评估，以决定合适的模型、能力以及评价标准。
点评：在科学推理场景下，通用大模型已具备强大能力，但仍需结合任务特性和评估方式来决定是否进行领域微调。