跳到正文
热点事件持续更新

Openhagen Worlds 发布科学发现智能体基准测试环境

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

2026年11月19日,Alexander Boesgaard Lorup 在 arXiv 发布 Openhagen Worlds,这是用于测量和训练科学发现智能体的校准环境。该平台包含 27 个校准环境和 178 个难度层级,旨在测试智能体在预算限制下运行实验并推理结果的能力。每个难度层级均通过 64 个开发实例的脚本预言机进行验证,以确保非演绎策略的成功率不超过 0.25。 在测试性能方面,DeepSeek V4.1 Flash 模型在前沿测试中成功解决了 32 个实例。针对较小的模型,9B 参数模型在经历策略迭代后,其在核心层级上的成功率从 0.090 提升至 0.148,展示了通过策略优化提升小规模模型在科学发现任务上表现的可能性。

AI 根据报道生成 · 11 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · NLP
    Openhagen Worlds:校准环境用于测量和训练科学发现智能体

    Openhagen Worlds 推出 27 个校准环境,包含 178 个难度层级,用于测试智能体在预算限制下运行实验并推理结果的能力。 每个层级经过 64 个开发实例的脚本预言机验证,确保非演绎策略成功率不超过 0.25。DeepSeek V4.1 Flash 在前沿测试中解决 32 个实例,9B 模型经策略迭代后核心层级成功率从 0.090 升至 0.148。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。