AutoLab 基准测试：强 AI 智能体在长周期研究中仍因缺乏坚持而失败

斯坦福、MIT、NVIDIA、Google 等顶尖实验室联合发布 AutoLab 基准测试，包含 36 个任务，要求智能体从弱代码出发，在固定时间内改进。测试 17 个强模型后发现，最佳结果并非源于初始想法好，而是模型持续测试、利用反馈。Claude Opus 4.6 因坚持迭代而领先，其他前沿模型常因过早放弃或过度思考而失败。该研究揭示了当前 AI 智能体在长周期研究中的关键短板。