跳到正文
AGI Hunt· zju-community·· 51 分钟前AI 评分54

浙大发布 TwinLab-Bench 评测 AI 科学家自主实验设计能力

浙大发布 TwinLab-Bench:真实实验室镜像中评测 AI 科学家,最强模型仅得 45 分

AI 导读

浙江大学团队发布 TwinLab-Bench,以 52 个物理、生命科学与工程实验室任务评测 AI 科学家设计自主实验的能力。基准支持 100 多种实验动作,通过 TwinLab agent 对比 agent 报告与真实实验记录中的隐藏答案,并使用闭卷探针控制记忆召回。最强的 Claude Fable 5.2 平均仅得 45.0 分,研究团队还对其失败模式进行了实证分析。

来源:AGI Hunt · agihunt.info