腾讯混元发布 ExplorationBench:用外星世界测 AI 探索能力
TencentHunyuan · x · 2026-09-30
腾讯混元联合复旦大学、清华大学发布 ExplorationBench,衡量 AI 系统真正的"探索"能力——科学发现始于已知问题尽头,系统需要提出假设、设计实验并从结果中学习,而这类答案难以快速验证,熟悉领域又可靠记忆作答。
设计思路: 构建"可验证的外星世界",规则可执行使每个答案被精确判定,且与常识冲突使单纯记忆无法解题。
两个沙盒:
- AlienCode:31 个隐藏规则变更、70 个任务
- AlienLogic:24 个修补的推理规则、70 个定理
评测流程: 提供一份有缺陷的手册,进行四轮自设计探针实验,每轮后进行闭卷测试。
「研究」频道最新
- Tivadar Danka 发布 4000 字图解机器学习所需图论长文 — TivadarDanka · 2026-11-16
- METR 任务时长曲线更新:Opus 4.5 后倍增周期缩至 1.7 个月 — ben_j_todd · 2026-11-16
- GTAgentClinic 一行命令安装,可让 Claude Code/Codex 接管 3D 医院夜班 — Michael_D_Moor · 2026-11-16
- 28 个主流模型训练截止日期盘点:近半数不公布,Gemini 4 Carbon 发布即落后 8 个月 — Joozio · 2026-11-16
- FutureSim Q3:LLM 从经验中真实变强,Opus 5.5 登顶 — rickasaurus · 2026-11-16
- NeurIPS 论文:10 张图蒸馏 ImageNet 一个类别的全部知识 — giannis_daras · 2026-11-16