引入了一个名为 AARR 的新基准系列，用于评估高级 AI 代理的研究能力。首个迭代 AARRI-Bench 测试了代理在需要专业性、彻底性和细微推理方面的任务，这些方面通常是当前系统所忽略的。实验表明，即使是表现最好的代理 Mini-SWE-Agent（使用 Claude Opus 4.7），成功率也仅为 68.3%，这凸显了 AI 需要更好地模仿人类研究行为。 AI
影响 强调了当前 AI 代理在进行细微科学推理方面的局限性，表明除了复杂的脚手架之外，还需要进一步开发。
排序理由 该集群包含一篇介绍用于评估 AI 代理的新型基准的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.07462v1 Announce Type: new Abstract: As foundation models advance and agent scaffolding becomes increasingly sophisticated, agents have demonstrated remarkable proficiency in complex, long-horizon coding tasks and even autonomous experiment execution. Despite their evo…
As foundation models advance and agent scaffolding becomes increasingly sophisticated, agents have demonstrated remarkable proficiency in complex, long-horizon coding tasks and even autonomous experiment execution. Despite their evolution from research assistants into autonomous …