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