白泽(Whitzard)女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← NUWA Index

评测档案

RE-Bench

时间预算约束下的研究工程表现。

来源与出处 ↓ 阅读研究记录 →

任务与测量

Benchmark 协议档案

任务/对象
执行机器学习研究工程任务的 AI 智能体
测量目标
相对于人类专家的机器学习研究工程成果。
解释边界
AI 研发表现属于促成能力,不构成有害自我改进证据。
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
开放式机器学习研究工程中,智能体与专家表现如何?
任务与样本
七个环境收集61位专家的71次八小时尝试;比较改变总时间、框架和最佳样本选择。
判分与失效情形
环境特定归一化研究工程分,比较总时间及最佳样本。
系统条件
七环境、多框架与时间预算;71次专家八小时尝试。
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: 82%的专家尝试得分非零,24%达到或超过参考解。 两小时条件下智能体领先,32小时累计条件下人类约为最佳智能体得分两倍。
效度与解释
七个环境不能覆盖前沿研发;有限框架迭代可能低估智能体能力(§6.3)。
适用研究问题
模型建议:同时引用归一化得分、框架、总时间及尝试聚合方式。
原始来源图表与材料
RE-Bench — Figure 2
Figure 2 · 原文 Figure 2。请结合下方的协议范围与局限阅读。 查看原图 ↗

相关研究问题

参考文献

  1. [1] Hjalmar Wijk, Tao Lin 等. RE-Bench: Evaluating frontier AI R&D capabilities of language model agents against human experts. 2025-05-27. v2 [arXiv]; Author affiliations on the original paper title page; Figure 2