#SciResearch-Eval

共 1 条 · 7 天 1 条 · 30 天 1 条
信息流里打上「SciResearch-Eval」标签的资讯、产品与论文,按刊登时间排,新的在上。
11月17日
论文Agent 与开发者多源确认16:13
SciResearch-Eval:用带缺陷模拟器评测科研智能体的实验设计能力

这个基准专挑模拟器物理缺陷这类科研智能体最怕的坑,比 MLE-bench 更考察实验设计判断力。GPT-6 Astra 和 Claude Fable 5.2 靠设计聪明实验保持校准,Claude 5.5 则要烧 13-31 倍推理才追上。做 agent 评测或科研自动化的人值得跑一下开源的 harness。

事件专题
arXiv cs.LG@Brian T. Weston 等 3 人原文