ACED-Bench：评估 LLM 智能体获取因果证据能力
原文标题：ACED-Bench: Evaluating How LLM Agents Acquire and Act on Causal Evidence
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 ACED-Bench，一个神经符号基准，用于评估 LLM 智能体能否主动设计实验、解读有限证据并做出因果决策。基准将自然语言场景与隐藏概率图模型分离，主榜 ACED-CORE 含 180 项任务，评估七个当代 LLM 与两个早期模型，发现智能体常在错误干预、丢失证据或证据充分后仍不停止等环节失败。
- 问题
- 缺乏可靠基准评估 LLM 智能体能否主动设计实验、解读证据并做因果决策。
- 方法
- 神经符号基准：LLM 生成自然语言场景，隐藏概率图模型定义因果图、干预语义与标准答案。
- 结果
- ACED-CORE 含 180 项任务，评估 7 个当代 LLM 与 2 个早期模型，常见失败于错误干预、丢失证据、证据充分仍不停止。
- 影响
- 做智能体/科学助手评估的团队可据此定位因果推理短板，而非只看问答准确率。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ACED-Bench用神经符号设计评估智能体因果探究能力，主榜180项任务，当代LLM在错误干预与不停止上频繁失败。
- •核心设计是把可读的科学表面与形式因果世界分离：LLM生成自然语言场景，隐藏概率图模型定义因果图、数据生成过程与干预语义
- •主榜ACED-CORE含180项任务：60项集合值因果祖先/后代问题，120项带约束的因果决策任务
- •另有ACED-QUAL，150道是非题，检验智能体能否用接口从证据中得出结论
- •评估7个当代LLM与2个早期模型，跨3种主动智能体设计
- •典型失败模式：做错干预、丢失证据、证据已充分仍不停止
为什么重要：把「会答题」和「会做实验」区分开，为科学助手类智能体提供了可程序化、有客观真值的评测口径，做agent评测的团队可直接参考其任务结构。
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。