ARE-bench：真实科研项目评测智能体
热点事件持续更新
ARE-bench：真实科研项目评测智能体
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
研究者 Jiahang Lin 等人提出 ARE-bench，用真实研究者项目中的智能体会话和完整工作区，评测科研智能体能否在遵守既有决策和工作区状态的前提下推进进行中的项目。基准含 75 个任务、7 个研究阶段、33 项需求和 150 项子需求，共 1,173 条二元检查项。 七个前沿模型中最强者仅 66.2% 的任务通过全部检查项。仅检查交付契约与通用规范时，三个模型通过率约 69%；加入历史与材料/工作区要求后，降至 28.4% 至 40.0%。
AI 根据报道生成 · 56 分钟前更新
最新进展11月11日 13:00
ARE-bench：在真实研究者会话与工作区中评测智能体的科研能力报道时间线
沿着报道，了解事件的不同侧面。
11月11日
- arXiv cs.CLARE-bench：在真实研究者会话与工作区中评测智能体的科研能力
研究者提出 ARE-bench，用真实研究者项目中的智能体会话和完整工作区评测科研智能体能否推进进行中的项目。基准含 75 个任务、7 个研究阶段、33 项需求和 150 项子需求，共 1,173 条二元检查项。七个前沿模型中最强者仅 66.2% 的任务通过全部检查项；仅检查交付契约与通用规范时三个模型通过约 69%，加入历史与材料/工作区要求后降至 28.4% 至 40.0%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。