跳到正文
arXiv · ML· Yang Wan, Linchao Zhu·· 16 小时前AI 评分43

TwinLab-Bench发布:在52个真实实验室数字孪生任务中,前沿模型Claude Fable 5.2仅获45.0分。

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

AI 导读

该基准支持100+实验操作类型,通过对比真实记录评分,揭示当前AI在自主设计实验上的局限性。 标题:TwinLab-Bench:真实实验室数字孪生中AI科学家评测基准

来源:arXiv · ML · arxiv.org