评测档案

PostTrainBench and OpenAI PostTrainBench Lite

评测智能体能否在固定计算预算内，通过后训练改进基础模型。

ELLIS Institute Tübingen · 马克斯·普朗克智能系统研究所 · 蒂宾根大学 · Thoughtful Lab / arXiv:2603.08640v2 / Capability · 任务能力

来源与出处 ↓ 阅读研究记录 →

跨报告监测

已发表证据

PostTrainBench and OpenAI PostTrainBench Lite · 加权平均性能

跨来源报告的已发表测量。任务范围通过注释区分，配置差异保留在每条观测中。

25 条观测 · 0 已定位日期

● 条件匹配◇ 配置差异□ 部分条件未披露

25 条观测尚无已核实的模型发布日期，可在数据与系统结果中查看。

选择图中数据点或表格行，查看条件与出处。

25 条观测

测量值与来源条件
系统／模型	结果	条件状态	任务／条件	评测方／报告	日期
Official Instruct Models (baseline)	51.1 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Claude Opus 4.6 (Claude Code)	23.2 score加权平均性能±1.8 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Gemini 3.1 Pro (OpenCode)	21.6 score加权平均性能±1.1 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GPT-5.2 (Codex CLI)	21.4 score加权平均性能±2.4 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GPT 5.4 (High) (Codex CLI)	20.2 score加权平均性能±2.4 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GPT 5.1 Codex Max (Codex CLI)	19.7 score加权平均性能±2.5 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Gemini 3 Pro (Gemini CLI)	18.1 score加权平均性能±2.4 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Base Model (Few-Shot)	18.1 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GPT 5.3 Codex (High) (Codex CLI)	17.8 score加权平均性能±3.6 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Claude Opus 4.5 (OpenCode)	17.3 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GPT 5.2 Codex (Codex CLI)	17.2 score加权平均性能±1.6 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Claude Opus 4.5 (Claude Code)	17.1 score加权平均性能±4.5 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Claude Sonnet 4.6 (Claude Code)	16.4 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Gemini 3 Pro (OpenCode)	14.9 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GLM 5 (OpenCode)	13.9 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GPT 5.3 Codex (Med) (Codex CLI)	13.8 score加权平均性能±0.8 (one standard deviation)	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Kimi K2.5 (OpenCode)	10.3 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Claude Sonnet 4.5 (Claude Code)	9.9 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
MiniMax M2.5 (OpenCode)	9.5 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
MiniMax M2.1 (OpenCode)	9.3 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GPT 5.1 Codex Max (OpenCode)	7.7 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Base Model (Zero-Shot)	7.5 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
GLM 4.7 (OpenCode)	7.5 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Qwen3 Max (Claude Code)	7.4 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —
Kimi K2 Thinking (OpenCode)	7.2 score加权平均性能	条件不完整	Table 1 · PostTrainBench and OpenAI PostTrainBench Lite—	未披露PostTrainBench : Can LLM Agents Automate LLM Post-Training?	发布 —报告 —

任务与测量

Benchmark 协议档案

任务／对象: 原任务配置下的模型或智能体系统
测量目标: 评测智能体能否在固定计算预算内，通过后训练改进基础模型。
评分／结果口径: 加权平均性能 · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。
解释边界: 定向基准提升、测试污染与未经授权的捷径需要分别核查。

一项已报告评测

来源评测 Official Instruct Models (baseline) · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite.

报告指标: 加权平均性能 · 51.1.

表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。见原文协议；不推断独立试验数量。

原文 Table 1 报告的 Official Instruct Models (baseline) 测量结果；数值为转录，未独立复现实验。

测量档案 · NUWA 解读

档案区分来源方法阅读与既有目录信息；已经公开不代表完成独立证据复核或双语编辑复核。

测量构念: 编程智能体能否通过后训练自主改善给定基础模型？
任务与样本: 四种小基础模型分别配目标基准，每次限单H100十小时，以保留集评价提交检查点。
判分与失效情形: 提交后训练检查点的保留目标基准得分。
系统条件: 单H100十小时，每次配基础模型与目标基准。
统计含义: 来源报告的结果表述；这不等同于已确定运行次数、分母或估计方法：最佳智能体平均23.2%，基础7.5%，官方指令模型51.1%。
效度与解释: 单任务优化、有限算力和前沿智能体仅三次运行限制外推及方差估计，污染判断可能出错。
适用研究问题: 模型建议：表现增益旁保留目标任务与检查点完整性审查。

PostTrainBench : Can LLM Agents Automate LLM Post-Training? · AbstractSelected original resource https://arxiv.org/html/2603.08640; sha256:09f5be78dc2b8f33ac7a82fc692485521fd9442d75cca2bd6d3aad76d727d70c; archived source capture; exact capture time not independently established
PostTrainBench : Can LLM Agents Automate LLM Post-Training? · §1 Introduction: Our benchmarkSelected original resource https://arxiv.org/html/2603.08640; sha256:09f5be78dc2b8f33ac7a82fc692485521fd9442d75cca2bd6d3aad76d727d70c; archived source capture; exact capture time not independently established
PostTrainBench : Can LLM Agents Automate LLM Post-Training? · §3.1 Main ResultsSelected original resource https://arxiv.org/html/2603.08640; sha256:09f5be78dc2b8f33ac7a82fc692485521fd9442d75cca2bd6d3aad76d727d70c; archived source capture; exact capture time not independently established
PostTrainBench : Can LLM Agents Automate LLM Post-Training? · §7 Discussion: LimitationsSelected original resource https://arxiv.org/html/2603.08640; sha256:09f5be78dc2b8f33ac7a82fc692485521fd9442d75cca2bd6d3aad76d727d70c; archived source capture; exact capture time not independently established

跨报告证据

相同 Benchmark 名称可能对应不同任务、计分规则和系统配置。各来源分别保留，比较组说明具体对齐了哪些条件。

PostTrainBench : Can LLM Agents Automate LLM Post-Training?

实际评测方: 未披露

25 条结果记录 · 25 个报告系统名称

协议与比较依据 (1)

PostTrainBench and OpenAI PostTrainBench Lite：加权平均性能 · PostTrainBench : Can LLM Agents Automate LLM Post-Training?source-report · 范围已审查

原始来源图表与材料

原文报告结果

原文顺序 · 原文配置

加权平均性能

0–100

Official Instruct Models (baseline)

Official Instruct Models (baseline) · 51.1 · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

51.1

Claude Opus 4.6 (Claude Code)

Claude Opus 4.6 (Claude Code) · 23.2 · ±1.8 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

23.2

Gemini 3.1 Pro (OpenCode)

Gemini 3.1 Pro (OpenCode) · 21.6 · ±1.1 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

21.6

GPT-5.2 (Codex CLI)

GPT-5.2 (Codex CLI) · 21.4 · ±2.4 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

21.4

GPT 5.4 (High) (Codex CLI)

GPT 5.4 (High) (Codex CLI) · 20.2 · ±2.4 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

20.2

GPT 5.1 Codex Max (Codex CLI)

GPT 5.1 Codex Max (Codex CLI) · 19.7 · ±2.5 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

19.7

Gemini 3 Pro (Gemini CLI)

Gemini 3 Pro (Gemini CLI) · 18.1 · ±2.4 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

18.1

Base Model (Few-Shot)

Base Model (Few-Shot) · 18.1 · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

18.1

GPT 5.3 Codex (High) (Codex CLI)

GPT 5.3 Codex (High) (Codex CLI) · 17.8 · ±3.6 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

17.8

Claude Opus 4.5 (OpenCode)

Claude Opus 4.5 (OpenCode) · 17.3 · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

17.3

GPT 5.2 Codex (Codex CLI)

GPT 5.2 Codex (Codex CLI) · 17.2 · ±1.6 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

17.2

Claude Opus 4.5 (Claude Code)

Claude Opus 4.5 (Claude Code) · 17.1 · ±4.5 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。

17.1

显示 12 / 25 个系统

数值描述原文协议下的测量结果，不是综合安全评分。

表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。未单独注明评测日期；下表保留发表或记录日期。

评测条件与系统配置

Official Instruct Models (baseline): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Claude Opus 4.6 (Claude Code): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Gemini 3.1 Pro (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GPT-5.2 (Codex CLI): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GPT 5.4 (High) (Codex CLI): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GPT 5.1 Codex Max (Codex CLI): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Gemini 3 Pro (Gemini CLI): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Base Model (Few-Shot): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GPT 5.3 Codex (High) (Codex CLI): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Claude Opus 4.5 (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GPT 5.2 Codex (Codex CLI): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Claude Opus 4.5 (Claude Code): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Claude Sonnet 4.6 (Claude Code): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Gemini 3 Pro (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GLM 5 (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GPT 5.3 Codex (Med) (Codex CLI): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Kimi K2.5 (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Claude Sonnet 4.5 (Claude Code): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

MiniMax M2.5 (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

MiniMax M2.1 (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GPT 5.1 Codex Max (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Base Model (Zero-Shot): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

GLM 4.7 (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Qwen3 Max (Claude Code): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

Kimi K2 Thinking (OpenCode): 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite; modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明

原文报告结果 · 原文顺序
系统 / 配置	加权平均性能	发表 / 核验日期
Official Instruct Models (baseline)未注明 Harness	51.1	来源核验2026-10-25
Claude Opus 4.6 (Claude Code)未注明 Harness	23.2±1.8 (one standard deviation)	来源核验2026-10-25
Gemini 3.1 Pro (OpenCode)未注明 Harness	21.6±1.1 (one standard deviation)	来源核验2026-10-25
GPT-5.2 (Codex CLI)未注明 Harness	21.4±2.4 (one standard deviation)	来源核验2026-10-25
GPT 5.4 (High) (Codex CLI)未注明 Harness	20.2±2.4 (one standard deviation)	来源核验2026-10-25
GPT 5.1 Codex Max (Codex CLI)未注明 Harness	19.7±2.5 (one standard deviation)	来源核验2026-10-25
Gemini 3 Pro (Gemini CLI)未注明 Harness	18.1±2.4 (one standard deviation)	来源核验2026-10-25
Base Model (Few-Shot)未注明 Harness	18.1	来源核验2026-10-25
GPT 5.3 Codex (High) (Codex CLI)未注明 Harness	17.8±3.6 (one standard deviation)	来源核验2026-10-25
Claude Opus 4.5 (OpenCode)未注明 Harness	17.3	来源核验2026-10-25
GPT 5.2 Codex (Codex CLI)未注明 Harness	17.2±1.6 (one standard deviation)	来源核验2026-10-25
Claude Opus 4.5 (Claude Code)未注明 Harness	17.1±4.5 (one standard deviation)	来源核验2026-10-25
Claude Sonnet 4.6 (Claude Code)未注明 Harness	16.4	来源核验2026-10-25
Gemini 3 Pro (OpenCode)未注明 Harness	14.9	来源核验2026-10-25
GLM 5 (OpenCode)未注明 Harness	13.9	来源核验2026-10-25
GPT 5.3 Codex (Med) (Codex CLI)未注明 Harness	13.8±0.8 (one standard deviation)	来源核验2026-10-25
Kimi K2.5 (OpenCode)未注明 Harness	10.3	来源核验2026-10-25
Claude Sonnet 4.5 (Claude Code)未注明 Harness	9.9	来源核验2026-10-25
MiniMax M2.5 (OpenCode)未注明 Harness	9.5	来源核验2026-10-25
MiniMax M2.1 (OpenCode)未注明 Harness	9.3	来源核验2026-10-25
GPT 5.1 Codex Max (OpenCode)未注明 Harness	7.7	来源核验2026-10-25
Base Model (Zero-Shot)未注明 Harness	7.5	来源核验2026-10-25
GLM 4.7 (OpenCode)未注明 Harness	7.5	来源核验2026-10-25
Qwen3 Max (Claude Code)未注明 Harness	7.4	来源核验2026-10-25
Kimi K2 Thinking (OpenCode)未注明 Harness	7.2	来源核验2026-10-25

参考文献

数值结果由所引研究的作者报告。

[1] Ben Rank ∗, Hardik Bhatnagar ∗ 等. PostTrainBench : Can LLM Agents Automate LLM Post-Training?. 2026-03-09. v2 [arXiv]; Author affiliations on the original paper title page; Table 1

搜索 NUWA Index