研究：增加任务量未必能修复智能体排行榜可靠性
原文标题：Agent Evaluation Reliability: More Tasks Won't (Always) Fix An Agent Leaderboard
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。
研究提出贝叶斯方差分解框架，分析22个智能体基准榜单的可靠性来源。发现固定模型-脚手架系统的排名可靠，但底层模型排名可靠性显著偏低；脚手架选择会改变结论，且无限增加同类任务最多只能提升0.097的可靠性。合并多样基准可在同等预算下将可靠性从0.44提升至0.75，并最多降低83%成本。
- 问题
- 智能体榜单排名可能反映脚手架与任务条件而非模型本身，结论可靠性存疑。
- 方法
- 提出贝叶斯方差分解框架，把信号与噪声分离，应用于22个智能体基准榜单，量化不同结论的可靠性。
- 结果
- 固定模型-脚手架系统排名可靠性0.935-0.994，底层模型仅0.148-0.841；无限增加同类任务最多提升0.097；合并多样基准可将可靠性从0.44提至0.75并最多降本83%。
- 影响
- 读榜单时须区分「系统排名」与「模型排名」，评测设计应优先合并多样基准而非堆任务量。
深读 · 结论先行AI 生成展开看要点与影响 ↓
22个智能体榜单分析：固定模型-脚手架排名可靠，底层模型排名可靠性仅0.148-0.841
- •贝叶斯方差分解框架应用于Holistic Agent Leaderboard与Harbor Index的22个基准
- •固定模型-脚手架系统排名可靠（0.935-0.994），底层模型可靠性显著偏低（0.148-0.841）
- •脚手架选择会改变结论，跨脚手架可靠性差异大
- •无限增加同类任务最多只能提升0.097的模型排名可靠性
- •合并多样基准可在同等预算下将可靠性从0.44提升至0.75，并最多降低83%成本
为什么重要：智能体榜单常被用来比较底层模型，但该研究显示其可靠性取决于测量目标；靠堆任务量无法解决脚手架覆盖不足带来的不确定性。
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。