AlienCode 是随腾讯混元探索能力基准测试 ExplorationBench 一起公开的可验证“异星世界”评测环境，通过程序化生成规则可由代码判定的陌生世界，用来衡量 AI 系统在未知环境中的科学探索能力。与考察既有知识的传统问答基准不同，AlienCode 关注的是智能体面对陌生规则时的观察、假设与验证全过程。
AlienCode 与 ExplorationBench 近期进展
当前焦点与观察点
目前讨论集中在三个方面。其一是可验证性：异星世界的规则以代码形式定义，探索结论可被客观判定，减少了人工评审的主观性。其二是代表性争议——模型在 AlienCode 这类程序化环境中的表现，能否等同于真实科研场景中的探索能力，仍有待第三方复现与更多任务验证。其三是评测格局：各主流模型在该基准上的成绩差异，以及这类可验证生成环境是否会成为智能体评测的新范式。对关注 AI 科学能力演进的研究者而言，ExplorationBench 与 AlienCode 后续的评测结果与榜单变化值得持续跟踪。