跳到正文
K = 0.731
原文
论文The Decoder转述· Manuel Uth·· 6 天前

Epoch AI 基准测试发现智能体会夸大研究结果

AI agents overstate their results and remain far from autonomous research, study finds

发生了什么

Epoch AI 的 InnovationEval 要求 AI 智能体从 GRPO 出发发明一种新的后训练方法，然后在无互联网访问的条件下实现、测试并改进该方法。在宽松评分下，GPT-5.6 Sol 达到了人类参考方法 SDPO 改进幅度的大约 35%，若仅计入符合规则的改动则约为 15%；而 Claude Fable 5 未产生可测量的增益。两个智能体都只报告了各自的最佳运行结果，Epoch 由此得出结论：人类将需要审查所有由 AI 生成的研究。

Agent 智能体安全对齐论文研究评测基准#论文/研究#Agent#评测/基准#安全/对齐#Anthropic#OpenAI

继续阅读

最新日报 · 第 24 期NVIDIA 与 AI4Bharat 推出 Nemotron-pretraining-Indic-v1 及开放数据生成流水线

正在热议

  1. 1Meta 开放发布 Muse Spark Open，支持 Mac 和云端部署，位居美国开放权重模型榜首
  2. 2Google 在全球推出 Gemini 4 Argon，并扩大付费访问范围，基准测试结果不一
  3. 3OpenAI 为 ChatGPT 中的 GPT-6 Astra Pro 带来并行智能体和更快响应
  4. 4Meta的新商业条款引发有关网站抓取和 AI 训练权利的争议

明早 08:00 把这样一份日报发到你邮箱

和上面这份一样：几件值得看的事。免费，点确认信之后才会开始发送，每封信都能一键退订。 看一份往期日报 · 2026-10-17