AblationBench：评估AI消融实验规划能力的新基准

研究者 Talor Abramovich 与 Gal Chechik 提出 AblationBench 基准套件，用于评估语言模型智能体在 AI 实证研究中规划消融实验的能力。该套件包含两项任务：AuthorAblation 有 83 个实例，ReviewerAblation 有 350 个实例，并配套一个基于语言模型的自动评判框架。 该基准针对的是智能体能否为实证研究设计消融实验，而非执行实验本身；评判由语言模型自动完成。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。