TasteVal 基准发布：量化 AI 的实验研究品味，Opus 5.5 超过人类专家

新基准 TasteVal 用 8 个开放式任务评测前沿模型的实验研究品味，即给定固定研究问题后迭代设计实验并解读结果的能力。被测模型扮演 Researcher，由固定的 Coder agent 负责实现实验，预算上限为 40 H100 小时或 120 小时。团队招募 24 名人类专家建立基线，评测了 2023 至 2026 年发布的 20 个模型。成绩最好的 Opus 5.5 超过专家基线，计算乘数为 2.3 倍（95% CI 1.15-4.37），单次运行成本约为人类基线的 1/30。数据还显示自 2025 年 12 月起，前沿模型的计算乘数约每 3.0 个月翻一倍，明显快于此前的 14 个月周期。