Siris 基准：测试 LLM 能否判断仿真误差是否影响设计选择
原文标题：SIRIS: Can LLMs Tell When Simulation Errors Matter in AI-Driven Systems Research
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者提出 Siris，通过扰动模拟器构造工作负载对，检验 LLM 能否判断模拟器局限是否使推荐设计失效。在 LLM 服务设计问题上评测 13 个前沿模型，发现识别出局限并不等于能做出正确选择，最强模型有时也会放弃有效推荐。自我复核可修复部分错误，但在另一些模型上引入新错误。
- 问题
- LLM 能否判断仿真器的建模局限是否会让推荐设计失效。
- 方法
- 扰动仿真器构造同候选、同局限、同推荐的工作负载对，仅一个工作负载的推荐被参考仿真器支持，据此考察模型判断。
- 结果
- 评测 13 个前沿模型，识别局限不等于选对，最强模型也会放弃有效推荐；自我复核能修复部分错误，也会在另一些模型上引入新错误。
- 影响
- 用仿真器做设计选型的 LLM 智能体不能只靠「看出局限」，需要按决策正确性单独评测。
AI 处理过程展开/收起
相关推荐
谷歌 DeepMind 发布 AlphaGenome 2，精细预测突变细胞效应
AI 摘要谷歌 DeepMind 推出 AlphaGenome 2，基于 68 种组织、超 1 亿个细胞图谱训练，可预测遗传变异对特定细胞类型与状态的影响。该模型识别出的影响基因表达的变异数量约为上一代的两倍，并能在未重新训练的情况下预测新细胞类型，有望助力疾病机理研究与药物靶点发现。
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。