精选理由
做 AI 研究和智能体开发的团队会看到，坚持比聪明更重要——AutoLab 的发现直接点出了当前智能体在长任务中的致命弱点，值得反思自己的智能体设计。
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。
AI 翻译 · 中文
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。
Strong AI agents still struggle with long research work because they often fail to keep testing and improving. New Stanford, MIT, NVIDIA, Google and other top labs paper shows shows that today’s strongest research agents…