OEB：从智能体记录评估认知过程
原文标题：Open-Endedness Bench: Measuring Epistemic Process from Agent Records
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 OEB 基准方法，仅读取智能体的执行记录、不依赖参考答案或结果分数，评估其假设形成、检验与修正的认知过程。OEB 将记录编译为认知事件图，检验「文字陈述」与「实际执行证据」是否一致。在三个基准的 119 次运行中，智能体声称的改进仅 16-29% 为真，且人格特质读数更多由模型而非任务决定。
- 问题
- 智能体执行记录只按结果打分，无法判断其声称的结论是否由实际实验支撑。
- 方法
- OEB将执行记录编译为认知事件图，检验文字陈述与执行证据是否一致，不依赖参考答案或结果分数。
- 结果
- 119次运行中，智能体声称的改进仅16-29%为真；人格特质读数更多由模型而非任务决定。
- 影响
- 评估自主研究智能体时应审计其认知过程而非只看分数，做Agent评测的团队需引入过程验证。
深读 · 结论先行AI 生成展开看要点与影响 ↓
OEB只读执行记录评认知过程，发现智能体自称的改进仅16-29%为真。
- •OEB不依赖参考答案或结果分数，仅读取智能体执行记录，编译为认知事件图
- •核心原则：文字可陈述命题，但只有实际执行动作返回的证据才能支持或反驳它
- •在三个基准的119次运行中，智能体声称的改进仅16-29%为真
- •人格特质读数更多由模型本身决定，而非任务决定
为什么重要：对依赖智能体自述进展的研究与工程流程，这条提示结果分数之外的「声称」可能大幅虚高。
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。