DiG-bench 详解：纯文本环境如何测试 AI 的科学发现能力
jcrwhittington · x · 2026-08-12
本帖是对 DiG-bench 基准的详细补充说明。作者指出，AI 若要真正做出科学发现，必须先在最简单的设定中证明其探索能力。
核心机制：
- 包含 70 个全新的交互式游戏（已公开 21 个），分为 7 个难度层级。
- 人类和模型在相同界面、相同信息、相同步骤限制下进行测试。
- 所有游戏均经过外部测试者验证，确保人类首次尝试即可通关，但顶级模型在最高难度下依然举步维艰。
所属事件:DiG-bench：70个文本游戏测出前沿AI发现短板(14 条相关)→
「研究」频道最新
- Lean v4.35.0 自带四个已验证内核，其中之一由 Claude 写成并自证一致 — geoffreyirving · 2026-10-16
- MP-Bench：语音 Agent 群聊插话判断仅与抛硬币相当 — solyarisoftware · 2026-10-16
- 对 Qwen3-8B 做神经元级 GWAS+PheWAS，定位安全相关神经元 — Sauers_ · 2026-10-16
- 770B 参数压进 214GiB：腾讯混元量化团队拆解 Hy4 Preview 压缩术 — coolmum18 · 2026-10-16
- 200 局国际象棋实测：作者认为上下文学习目前并不奏效 — akbirthko · 2026-10-16
- LARK-Lab 提出 Mosaic：跨会话的 Agentic 强化学习新范式 — LARK-Lab · 2026-10-16