PAU基准测试黑盒API交互理解能力
原文标题：Toward Interactive Understanding of Code APIs
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。
论文提出PAU基准，让模型仅通过黑盒API级访问与探索性输入来理解Python代码片段的功能，研究无监督工具理解问题。即便前沿模型表现也不佳，最强的Claude-4-Opus在超过45%的测试集上失败，常见错误是过度自信导致探索不足与过早终止。借鉴非对称演员评论家范式后训练，Qwen3-8B可匹配GPT-5-mini。
- 问题
- 模型只能通过黑盒API交互理解Python代码功能，无法读取源码。
- 方法
- 构建PAU基准，要求模型用探索性输入查询API推断功能，并用非对称演员评论家范式后训练。
- 结果
- 最强Claude-4-Opus在超45%测试集失败；AAC后训练的Qwen3-8B可匹配GPT-5-mini。
- 影响
- 说明无源码场景下的工具理解仍是前沿模型短板，AAC后训练是低成本补强路径。
深读 · 结论先行AI 生成展开看要点与影响 ↓
黑盒API理解新基准PAU：最强Claude-4-Opus失败率超45%，AAC后训练让Qwen3-8B追平GPT-5-mini。
- •PAU要求模型仅靠探索性输入查询黑盒API，推断Python代码片段的真实功能，不提供代码读取权限
- •最强模型Claude-4-Opus在超过45%的测试集上失败，前沿模型整体表现不佳
- •主要错误模式是过度自信：模型高估当前假设质量，导致探索不足与过早终止
- •借鉴机器人学习的非对称演员评论家（AAC）范式后训练，Qwen3-8B可匹配GPT-5-mini
- •研究将问题定位为无监督工具理解，聚焦以Python方法实现的外部工具
为什么重要：真实场景中调用外部API往往没有源码可读，该基准把「只能交互、不能读代码」设为默认条件，为工具理解能力提供了更贴近部署的评测标尺。
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。