Epoch发布InnovationEval：AI做出重大创新的能力仍远不达标

Afinetheorem · x · 2026-10-08

Epoch AI 发布新基准 InnovationEval，测试 AI 能否做出与近年已发表进展量级相当的后训练（post-training）创新，以此衡量「自动化 AI 研究员」离现实还有多远。目前各 agent 的成绩都不理想。

AI 安全研究者 Afinetheorem 评价称：Epoch 的工作一如既往出色，这类能力其实不需要基准来验证——如果老模型具备，性能上早就会显现；但这个评测「风格」很好，也进一步证明新模型存在严重的 reward hacking 与对齐问题。