@seclink: 另一个开源样本... 通常，你得为此付费，但既然它是开源的，它绝对是那些在手中不那么有价值的东西之一，所以他们将其作为开源发布。

X AI KOLs Following 2026/09/03 02:05 工具

open-source benchmark coding-agents ai-research autonomous-coding evaluation-tool

摘要

这篇文章宣布了Autoresearch Bench，一个用于编码代理自主解决研究问题的开源基准测试，指出模型在自主研究循环中存在显著差异。

另一个开源样本... 通常，你得为此付费，但既然它是开源的，它绝对是那些在手中不那么有价值的东西之一，所以他们将其作为开源发布。

查看原文

查看缓存全文

缓存时间: 2026/09/03 12:05

又一个开源示例……通常这类内容需要付费获取，不过既然已经开源，说明它在市场上的价值确实有限，因此才作为开源项目发布。

Joseph Wang (@potatodonkey)： 推出 Autoresearch Bench

针对编程智能体自主解决研究问题的评测基准

尽管现有编程基准测试正快速趋于饱和，但在自主研究闭环中，各模型间的能力差异依然显著

相似文章

X AI KOLs Timeline

DeepSeek 研究员开源了 AutoResearch，这是一个自主框架，能够在无需人工干预的情况下，为 DeepSeek 285B 模型规划、执行并调试强化学习实验，并附带了一篇关于自我对弈的综述论文。

X AI KOLs Timeline

正式发布 MLS-Bench，这是首个获得社区广泛采用的 AI4Research 基准测试，它在 12 个领域的 140 个可执行任务上测试 AI 智能体，以提出模块化的机器学习改进方案。该帖子还包含 Claude Opus 4.6 和 GPT-5.4 等模型的排行榜分数。

X AI KOLs Timeline

Yu Su 的团队在有限的学术预算下训练了一个前沿的 Deep Research Agent，使用 8K 合成样本和强化学习，并发布了完全开放的训练基础设施和从 2B 到 35B 参数的模型。

Hugging Face Daily Papers

ResearchClawBench 是一个用于评估端到端自主科学研究的基准测试，涵盖来自10个领域的40个任务，结果显示当前AI智能体和LLM的重新发现准确率较低，其中Claude Code平均得分为21.5，Claude-Opus-4.7平均得分为20.7（在可能的总分中）。

X AI KOLs Timeline

Andrej Karpathy 的 autoresearch 范式揭示：当下 AI 智能体各自为战做实验，重复劳动、浪费算力，还不断「重新发明」死路。