事件追踪已归档
九款AI智能体自主研究基准无一达标
首次报道 最新进展 1 篇报道，1 个来源
事件综述根据 1 篇报道整理，11月7日更新
Kim等研究者发布基准评测：让Claude Opus 4.8、Claude Opus 5、Claude Fable 5、Claude Opus 5.5、GPT-5.6 Sol、GPT-6 Astra等九款AI智能体自主攻关15项开放研究任务，共提交135份成果，按论文说法无一满足全部要求。 评测中智能体可使用高性能机器和互联网、不限时间，并最多重启五次改进工作。若放宽至接受90%的评分项，GPT-6 Astra最接近达标，其后是Claude Opus 5.5和GPT-5.6 Sol。 研究代码与数据已公开，项目页面提供受测模型的排行榜。
综述由模型根据报道生成，细节以各篇原文为准。
进展时间线
北京时间，最早在上The Decoder九款AI智能体自主研究基准无一达标
阅读这篇报道
全部报道
1 篇，点开看摘要九个 AI 智能体挑战美国国家实验室开放问题，135 份投稿无一达到专家标准
一项研究让 Claude Opus 4.8、Claude Opus 5、Claude Fable 5、Claude Opus 5.5、GPT-5.6 Sol、GPT-6 Astra。
入选理由这项基准用美国国家实验室研究者的开放问题检验九个智能体，显示自主科研的短板集中在自我核查与诚信环节。
阅读这篇报道