研究：写作-评分-修订循环可提升大模型数据科学项目表现
原文标题：Iterated creation, grading, and revision of data science projects by language models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究让 7 个来自 Anthropic、OpenAI、谷歌、DeepSeek、Z.AI 的模型分别担任写作与评分角色，进行三轮迭代修订。147 份初始提交中 107 份可运行，平均分从 59% 提升至 76%。模型自评时分数平均高出约 9 个百分点，反馈带来的提升因模型角色而异，弱模型通常无法改进强模型。
- 问题
- 大模型能否端到端完成数据科学项目，反馈迭代能带来多少提升。
- 方法
- 让写作模型与评分模型配对，进行三轮写作-评分-修订循环，覆盖 7 个模型、49 种配对。
- 结果
- 147 份初始提交中 107 份可运行，平均分从 59% 升至 76%；自评分数平均高出约 9 个百分点。
- 影响
- 说明多轮反馈能显著提升 agent 产出，但自评偏乐观，工程师搭建自动评估流水线时需引入外部评分或去偏。
深读 · 结论先行AI 生成展开看要点与影响 ↓
7 个模型三轮写作-评分-修订，147 份提交中 107 份可运行，平均分从 59% 升至 76%
- •覆盖 Anthropic、OpenAI、Google、DeepSeek、Z.AI 五家开发者的 7 个模型，构成 49 组写作-评分配对，每组跑三次
- •提升幅度按写作方从 Opus 5.5 的 3 个百分点到 Haiku 4.5 的 46 个百分点
- •按评分方从 Gemini 3.8 Flash 的 13 个百分点到 Haiku 4.5 的 32 个百分点
- •模型自评分数平均比其他模型给分高约 9 个百分点
- •轮次间约一半差异落在评分方自身噪声内；弱模型通常无法改进强模型
为什么重要：自评偏高与评分噪声意味着单模型自评不可直接作为质量信号，对搭建自动评测与迭代流水线的团队是明确警示。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。