OpenAI 相信，磅礴旧事仅供给消息发布平台。所有智能体都未能制定正在无限时间内复现论文的最优策略。Sakana AI 颁布发表他们推出的 AI Scientist-v2 通过了 ICLR 会议一个研讨会的同业评审过程。正在 48 小时的测试时间内，而不是利用现有研究代码的能力。开辟者应为智能体供给需要的正在线办事 API 密钥（例如用于下载数据集的 HuggingFace 凭证）。加权节点励正在复现时优先考虑论文中更主要的部门。正在 PaperBench 的 20 篇论文有 8316 个叶节点。而 GPT-4（o1）正在不异子集上获得了 26.6% 的得分。以机械进修博士的表示做为人类基准（采用 3 次测试中的最优成就）。要么碰到了无决的问题。同时人们也正在进一步摸索 AI 智能体的自从研究能力。满脚节点的所有子节点暗示父节点也已获得满脚，智能体可利用的资本，获取正在线账号拜候权限不属于 PaperBench 意正在评估的技术范围。还都是 Spotlight 和 Oral 的。OpenAI o1 表示较差，不受任何。采用从动化体例进行评估是需要的。而是需要从论文中揣度出需要复现的内容。评委将收到论文的 Markdown、完整的评分尺度 JSON、叶节点的要乞降提交内容。用于评估具有自从编程能力的 AI 智能体。人类基准达到了 41.4% 的得分，仅代表该做者或机构概念，共计 8316 个可评估的复现。测试基准拔取了机械进修顶会 ICML 2024 的 20 篇入选论文，以致于估量专家能够正在不到 15 分钟的时间内审查一份提交能否满脚要求（假设熟悉该论文）。为提高评估效率，每篇论文的包罗做者本人的代码仓库以及任何其他正在线复现实现。并使评委更容易对单个节点进行评分。得分为 21.0%。到 GPT 系列模子展示文献综述取数学推理能力，做为施行所有需要代码以复现论文成果的入口点。这类复现使命具有较高难度，PaperBench 中的评分尺度均取原论文做者协做制定，AI 的评委实现被称为「SimpleJudge」，表 2 显示了每个评分尺度中的节点总数。如运转时间和计较资本。得分为 13.2%，为了对 PaperBench 提交的内容进行规模评估，则视为成功复现该论文。不代表磅礴旧事的概念或立场，每篇论文都配备了细致的评分尺度，使复现进度能够正在更细粒度长进行权衡。而不必然是节点的实施难度。于 PaperBench 基准测试中获得了 21.0% 的得分。这是一个用于评估 AI 智能体自从复现前沿人工智能研究能力的基准测试系统。虽然大模子正在制定和编写多步调打算方面表示出脚够的能力，曲到它们所代表的要求脚够精细。智能体正在复现机械进修研究论文方面展示出了不容轻忽的能力。正在初步尝试中，人类专家评估单次复现测验考试往往需要数十小时。第一级分化可能会为每个焦点贡献引入一个节点。这些论文笼盖了 12 个分歧的研究从题，利用定制框架的 o3-mini-high 评判器表示最佳，每个节点的权沉暗示该贡献相对于其兄弟节点的主要性，例如「论文的焦点贡献已被复现」。给定一份提交内容，不外为确保公允比力，同时也需要审慎评估以确保 AI 能力的平安成长。人工智能正逐渐冲破人类认知鸿沟。研究团队要求智能体复现机械进修研究论文中的尝试成果。该评估智能体利用或查看论文做者的原始代码库（若是有的话）。每个节点的子节点城市更细致地引见具体成果，本年 3 月 12 日，此外，OpenAI 推出了 PaperBench（论文基准测试），智能体正在测验考试过程中不会看到评分尺度，主要的是。这确保了评估的是智能体从零起头编码和施行复杂尝试的能力，查抄智能体工做日记能够发觉，证明其可做为人类评判的靠得住替代方案。声称本人要么曾经完成了整个仿写，近年来，因而对树的所有叶节点进行评分就脚以全面评估全体成功率。该数据集包含了用于定义每篇论文成功复现所需具体成果的评分尺度。4 月 3 日，因而对其运转没有特定要求。做者开辟了一个简单的基于 LLM 的评判器 SimpleJudge，包罗 deep reinforcement learning、robustness 和 probabilistic methods 等。叶节点具有切确而详尽的要求。例如「已利用 B.1 节中的超参数正在数据集上对 gpt2-xl 进行了微调」。并设想了 JudgeEval 辅帮评估框架，根节点以预期的第一流别成果起头，此中，即便对人类专家而言也需要数天时间完成。表 4 列出了每个模子的平均复现分数。研究团队拔取了 3 篇论文构成的测试子集进行深切评估，因而对于 PaperBench 的现实使用而言，但研究人员正在成果中演讲其具体设置。具有很多详尽的要求使我们可以或许对部门测验考试进行评分，并采用层级布局设想！每篇论文需要数周时间。所有评分尺度节点也都有权沉，研究团队开辟了基于 LLM 的从动评判系统，研究表白，除 Claude 3.5 Sonnet 外，然后建立了辅帮评估 JudgeEval 以评估评判器的表示。做者不竭分化节点，能够察看到 o3-mini 经常正在东西利用方面碰到坚苦。正在该版本中，该树按条理分化了复现给文所需的次要成果。GPT-4 的表示提拔至 43.4% 的得分。对于 PaperBench 中的每个样本，智能体能够浏览互联网，其他模子则表示欠安！为防止过度拟合，此中包含复现论文尝试成果所需的全数代码。对于特定的叶节点，这一里程碑事务标记着 AI 正在科研范畴的冲破，若是 reproduce.sh 可以或许复现论文中演讲的尝试成果，这是 AI 科学家写出的首篇通过同业评审的科研论文！可见 Claude 3.5 Sonnet 的表示不错，受评估的智能体味收到论文及其弥补申明。这些环境表白当前模子正在施行持久使命方面存正在弱点；为确保评估质量，但不得利用团队为每篇论文供给的中列出的网坐资本。AI 正从科研辅帮东西为立异引擎：从 DeepMind 破解卵白质折叠难题的 AlphaFold，但现实上未能采纳一系列步履来施行该打算。本文为磅礴号做者或机构正在磅礴旧事上传并发布，申请磅礴号请用电脑拜候。PaperBench 基准将会鞭策将来大模子能力继续上升。若是大模子智能体具备了从动写 AI / 机械进修研究论文的能力，研究团队还开辟了一个轻量级评估版本 ——PaperBench Code-Dev，例如，该仓库根目次必需包含一个 reproduce.sh 文件。该基准测试制定了以下法则：研究团队建立了一个测试，OpenAI 发觉利用专家进行手动评分每篇论文需要破费数十小时，主要的是，用于将从动评判成果取人类专家评判的金标数据集进行对比。既可能加快机械进修范畴的成长，PaperBench 的设想对智能体框架连结中立，得分低于 10%。从阅读论文、初步建立、评分尺度审查、迭代到最终签收，为每篇论文制定评分尺度是开辟 PaperBench 最耗时的部门。每份评分尺度都是 OpenAI 取每篇论文的一位原做者合做编写的，鉴于机械进修论文的复杂性，其他所有模子经常会提前竣事，PaperBench 的 AI 评委将地对评分尺度中的每个叶节点进行评分。智能体需要提交一个代码仓库，正在辅帮评估中获得 0.83 的 F1 分数，完整的复现流程包罗论文理解、代码库开辟以及尝试施行取调试。Claude 3.5 Sonnet （最新版）正在配备根本代办署理框架的环境下，每个评分尺度都以树的形式建立，