来自马克斯·普朗克研究所的研究人员推出了 FutureSim，这是一个新的基准测试，旨在评估 AI 代理仅使用历史网络数据预测现实世界事件的能力。该方法可防止代理访问未来信息，模拟更真实的预测场景。使用 Codex harness 中的 GPT-5.5 等模型进行的早期测试在超级碗等一些市场中表现强劲，但在英国大选和格莱美奖等其他市场中表现不佳，表明其能力狭隘。 AI
影响 测试 AI 代理使用历史数据预测事件的能力，突显其超越琐事的狭隘能力。
排序理由 该集群描述了一个用于评估 AI 代理的新学术基准的发布。[lever_c_demoted from research: ic=1 ai=1.0]
在 dev.to — Claude Code tag 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
