RExBench评估编程智能体自主完成研究扩展的成功率仅约33%

RExBench评估编程智能体自主实现AI研究扩展的能力，最佳智能体成功率约33%。该基准包含12篇真实论文的扩展任务，支持抗数据污染和自动评测；使用aider与OpenHands框架测试12个LLM智能体后发现，即使加入人类手写提示，最好成绩仍低于44%。