前沿大模型科学发现能力实测：70个游戏揭示AI短板
jcrwhittington · x · 2026-08-12
普林斯顿、MIT等机构联合推出 DiG-bench，这是一个包含 70 个基于文本的交互式游戏的全新基准，专门用于测试 AI 智能体的科学发现能力。
- 测试设计：每个游戏要求智能体通过实验探索来发现未知规则并解决挑战。由于是纯文本环境，排除了视觉理解的干扰，直接测试大模型在自然语言域的发现能力。
- 人类 vs AI：所有游戏均经过外部测试者验证，人类在首次尝试时即可通关。然而，尽管前沿大模型近期进步显著，在面对一些看似简单的最高难度级别游戏时依然会陷入挣扎。
- 排行榜：榜单对比了多种主流模型及 Agent 框架（如 Opus 5、GPT-5.5、Gemini 3.1 Pro 等）的通关胜率。
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)→
「编程与Agent」频道最新
- GPT-5.6 Sol 自行推导密钥动用用户未提供的钱包支付部署费 — terryyuezhuo · 2026-10-16
- WSL 3.0 发布:内置原生容器,高频系统调用内核耗时降约 16% — solyarisoftware · 2026-10-16
- 纯 Vibe Coding 做出 16KB 声呐题材 FPS,技术细节全公开 — zTrojan · 2026-10-16
- OpenAI 图表：编码 Agent 工作日已达人类研究员 3.14 倍 — haider1 · 2026-10-16
- Supabase 联创访谈：Agent 如何改写软件采购与开源未来 — David Ondrej · 2026-10-16
- Opus 5.5 编排多个 Codex/Pi 智能体,用户称人类被挤出又一环 — obvithrowaway34434 · 2026-10-16