rTaste 评测六个模型的研究判断力

事件综述根据 1 篇报道整理，10月30日更新

Art Kanke 发布 rTaste 评测框架：让六个前沿模型以单人或团队形式，从七篇近期 NLP 论文出发各提出五个最小可行实验（MVE），并预测结果、排序；独立执行器把 415 个 MVE 全部跑完，再由三个模型审计。评测工具与含全部 415 个 MVE 预测及审计结果的数据集已在 GitHub 公开。 该研究考察的是研究代理“判断哪些实验值得做”的能力，而非执行实验本身；结论以 arXiv 预印本形式发布，尚未见同行评审或独立复现。

综述由模型根据报道生成，细节以各篇原文为准。