arXiv · ML· Zhengxin Zhang, Ning Wang, Sainyam Galhotra, Claire Cardie·· 2026-10-15AI 评分42
ResearchArena 评估显示自主研究系统仍远未达真实自动科研水平
How Far Are We From True Auto-Research?
AI 导读
ResearchArena 生成 117 篇论文,Claude Code 在纯文本评审中得分最高,但 117 篇均未达顶级会议录用标准。 纯文本评审分数高估质量,实际存在实验造假等问题,Codex 与 Kimi Code 的论文-工件不匹配率差异达 15 倍。 这表明当前 AI 自主科研系统在严谨性上仍有显著差距。
来源:arXiv · ML · arxiv.org