论文Agent 与开发者12:34Auto-Research Arena：评测语言建模自动化研究系统的多目标基准一个专门给自动化科研系统打分的新基准，9 个预训练目标、7 个 harness 横向对比，结果挺意外：简单基线跑赢了不少复杂方法，代码也开源了。#Auto-Research Arena#智能体#基准测试#开源模型aarXiv cs.LG@Xi Chen 等 8 人原文稍后读已读值得跟进有用关注 Auto-Research Arena