超越最终得分：长期人工智能研发代理的系统性评估
一项研究通过36项长期人工智能研发任务，评估了7个前沿模型。该框架不仅考察最终得分，还分析解决方案构思、执行、反馈控制，以及代理在任务内和任务间复用经验的能力。结果表明，当前代理更像工程优化器，而不是完全自主的研究人员。它们能够制定并实施实用方案，但不同运行结果之间的性能差异较大。表现最好的方案通常是对已有技术进行调整或组合，真正的方法论创新仍然少见。研究还发现，流程瓶颈、经验复用方式以及运行环境的设计，都会显著影响代理的性能和稳定性。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。