arXiv · NLP· Ming Zhang, Zhenghao Xiang, Peizhong Gao, Yujiong Shen, Yuhui Wang, Zhonghan Yue, Shihan Dou, Zhangyue Yin, Junjie Ye, Shichun Liu, Weihuang Zheng, Jiahao Chen, Jiayi Chen, Hongzhang Liu, Jiaqi Shao, Tao Gui, Qi Zhang, Xuanjing Huang, Suncong Zheng, Maxm Pan·· 11 天前AI 评分31
ExplorationBench：评估AI系统在可验证外星世界中的探索能力
ExplorationBench: Measuring AI Systems' Exploration in Verifiable Alien Worlds
AI 导读
ExplorationBench 基准发布，通过可执行规则的外星世界环境，解决科学探索中假设验证与知识回忆区分难题。 包含 AlienCode（70 任务）与 AlienLogic（70 任务）两个沙盒，提供工具调用架构供 10 个 AI 系统进行探索与任务求解。 该基准推动了 AI 系统在未知环境中获取并应用新知识的能力评估，是迈向自主科学探索的关键一步。
来源：arXiv · NLP · arxiv.org