跳到正文
热点事件持续更新

浙大发布 TwinLab-Bench 实验室任务评测集

1 篇报道1 个报道来源38 分钟前更新

先了解这件事

AI 综述

浙江大学团队发布 TwinLab-Bench,用于评测 AI 科学家自主设计实验的能力。评测集包含物理、生命科学与工程领域的 52 个真实实验室任务,支持 100 多种实验动作;系统将智能体报告与真实实验记录中的隐藏答案对比评分,并设置闭卷探针控制记忆召回影响。研究团队称,当前表现最强的 Claude Fable 5.2 平均得分为 45.0 分,团队还分析了其失败模式。

AI 根据报道生成 · 25 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. AGI Hunt
    浙大发布 TwinLab-Bench 评测 AI 科学家自主实验设计能力

    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。

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。