主要来源elvis
查看原文事件专题 ·多源确认
AutoResearchExam基准测试发布
Alex Dimakis团队发布了AutoResearchExam基准测试，涵盖7个研究领域，包括模型训练、数据整理和AI安全。测试中，Astra模型领先19小时后，Fable 5.1反超成为最佳模型。Qwen3.8 Max、Gemini 3.8 Flash和Grok 4.6在成本效益方面表现优异，位于帕累托前沿。
当前结论
看看AI研究代理在24小时内如何解决开放性问题，以及不同模型在长期任务中的表现差异。
11 个信源58° AI 热度最后更新 2026/9/9 23:02:04
证据链
11 个信源冲突核查
现有去重数据只说明这些来源讨论同一事件，不代表立场相同。当前没有结构化的支持或反驳证据，不自动推断冲突。