EvalResearchBench：AI智能体能否自主设计评估？
原文标题：EvalResearchBench: Can AI Agents Design Their Own Evaluations?
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EvalResearchBench（ERB），用于测试AI智能体能否自主完成评估研究：在给定材料、参考、候选API与预算下，由「researcher」智能体选择或合成任务、实现评分器并迭代修订。研究对比9个researcher与13个候选模型，最佳评估器与14个目标基准的候选对排序一致率约75%，低于目标间分歧设定的91%上限。结果显示没有智能体在所有指标上领先，人类设计的公开任务样本仍是强基线，且低成本评估器反而取得最高成对一致性。
- 问题
- 复杂基准评测成本高，AI能否自主设计评估方案。
- 方法
- 提出ERB基准，让researcher智能体选任务、写评分器并迭代，再与14个目标基准比对排序一致性。
- 结果
- 最佳评估器与目标基准的候选对排序一致率约75%，低于目标间分歧上限91%。
- 影响
- 自动评测暂不能替代人工基准设计，低成本评估器反而一致性最高，值得关注成本与质量权衡。
深读 · 结论先行AI 生成展开看要点与影响 ↓
EvalResearchBench显示最佳AI评估器与14个目标基准的候选对排序一致率约75%，低于91%的目标间分歧上限。
- •给定材料、参考、候选API与固定时间/API预算，researcher智能体选择或合成任务、实现评分器并迭代修订
- •对比9个researcher与13个候选模型，评估器与14个目标基准比较分数一致性与成对一致性
- •最佳评估器排序约75%候选对，低于目标间分歧设定的91%上限
- •没有researcher在所有指标上领先，开发目标上最好的评估器在密封目标上并非最好
- •人类设计的公开任务样本仍是强基线，执行成本最低的评估器反而取得最高成对一致性
为什么重要：递归自我改进依赖评估反馈，该基准说明当前智能体尚不能替代人类评估设计，且低成本评估器表现更好这一反直觉结果值得关注。
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。