创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

TwinLab-Bench评测AI智能体自主设计实验

AI 总结

Yang Wan与Linchao Zhu推出TwinLab-Bench,通过源自物理科学、生命科学和工程实验室的52项任务,评测AI智能体自主设计实验的能力。每项任务由TwinLab智能体根据实验室记录执行实验,支持100多种操作类型,并以来自真实实验室记录的隐藏答案评测智能体报告。论文称,参评的13个智能体中Claude Fable 5.2表现最佳,平均得分为45.0。

深度见解

现有基准主要评测智能体执行预设工作流或从预设候选中进行选择,而TwinLab-Bench评测智能体自主设计实验的能力,并以真实实验室记录作为读数依据。

Computer Science > Artificial Intelligence

arXiv:2611.26248 (cs)

[Submitted on 19 Nov 2026]

Title:TwinLab-Bench: Evaluating AI Scientists in Agentic Twins of Real Labs

Authors:Yang Wan, Linchao Zhu

View a PDF of the paper titled TwinLab-Bench: Evaluating AI Scientists in Agentic Twins of Real Labs, by Yang Wan and 1 other authors

#TwinLab-Bench#TwinLab agent#Claude Fable 5.2#Claude Opus 5.5#GPT-6.1-sol#DeepSeek#Qwen#Kimi#GLM

原文约 3 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。