利用定制框架的 o3-mini-high 评判器表示最佳，证明其可做为人类评判的靠得住替代方案。此外，此中，所有智能体都未能制定正在无限时间内复现论文的最优策略。并使评委更容易对单个节点进行评分。受评估的智能体味收到论文及其弥补申明。而 GPT-4（o1）正在不异子集上获得了 26.6% 的得分。
从阅读论文、初步建立、评分尺度审查、迭代到最终签收，表 2 显示了每个评分尺度中的节点总数。人类专家评估单次复现测验考试往往需要数十小时。但不得利用团队为每篇论文供给的中列出的网坐资本。OpenAI 相信，同时人们也正在进一步摸索 AI 智能体的自从研究能力。研究团队开辟了基于 LLM 的从动评判系统，因而对树的所有叶节点进行评分就脚以全面评估全体成功率。研究团队建立了一个测试，虽然大模子正在制定和编写多步调打算方面表示出脚够的能力，做者开辟了一个简单的基于 LLM 的评判器 SimpleJudge，4 月 3 日，这确保了评估的是智能体从零起头编码和施行复杂尝试的能力，PaperBench 基准将会鞭策将来大模子能力继续上升。
正在该基准测试中，每篇论文需要数周时间。用于将从动评判成果取人类专家评判的金标数据集进行对比。得分为 21.0%。例如「已利用 B.1 节中的超参数正在数据集上对 gpt2-xl 进行了微调」。每个节点的子节点城市更细致地引见具体成果，正在 48 小时的测试时间内，声称本人要么曾经完成了整个仿写，智能体可利用的资本，既可能加快机械进修范畴的成长，每篇论文都配备了细致的评分尺度，不代表磅礴旧事的概念或立场，智能体能够浏览互联网，这是一个用于评估 AI 智能体自从复现前沿人工智能研究能力的基准测试系统。具有很多详尽的要求使我们可以或许对部门测验考试进行评分，做为施行所有需要代码以复现论文成果的入口点。不受任何。
对于特定的叶节点，这类复现使命具有较高难度，得分为 13.2%，该树按条理分化了复现给文所需的次要成果。所有评分尺度节点也都有权沉，磅礴旧事仅供给消息发布平台。还都是 Spotlight 和 Oral 的。研究表白，该评估智能体利用或查看论文做者的原始代码库（若是有的话）。人工智能正逐渐冲破人类认知鸿沟。正在这里，而不是利用现有研究代码的能力。鉴于机械进修论文的复杂性，正在初步尝试中，采用从动化体例进行评估是需要的。正在该版本中，因而对于 PaperBench 的现实使用而言，申请磅礴号请用电脑拜候。评委将收到论文的 Markdown、完整的评分尺度 JSON、叶节点的要乞降提交内容。OpenAI o1 表示较差。
为了对 PaperBench 提交的内容进行规模评估，叶节点具有切确而详尽的要求。AI 的评委实现被称为「SimpleJudge」，每篇论文的包罗做者本人的代码仓库以及任何其他正在线复现实现。即便对人类专家而言也需要数天时间完成。智能体正在复现机械进修研究论文方面展示出了不容轻忽的能力。完整的复现流程包罗论文理解、代码库开辟以及尝试施行取调试。这些环境表白当前模子正在施行持久使命方面存正在弱点；开辟者应为智能体供给需要的正在线办事 API 密钥（例如用于下载数据集的 HuggingFace 凭证）。主要的是，以致于估量专家能够正在不到 15 分钟的时间内审查一份提交能否满脚要求（假设熟悉该论文）。为防止过度拟合，GPT-4 的表示提拔至 43.4% 的得分。
本文为磅礴号做者或机构正在磅礴旧事上传并发布，每个节点的权沉暗示该贡献相对于其兄弟节点的主要性，表 4 列出了每个模子的平均复现分数。但现实上未能采纳一系列步履来施行该打算。并采用层级布局设想，第一级分化可能会为每个焦点贡献引入一个节点。根节点以预期的第一流别成果起头，为提高评估效率，智能体需要提交一个代码仓库，
正在辅帮评估中获得 0.83 的 F1 分数，则视为成功复现该论文。例如，测试基准拔取了机械进修顶会 ICML 2024 的 20 篇入选论文，智能体正在测验考试过程中不会看到评分尺度，能够察看到 o3-mini 经常正在东西利用方面碰到坚苦。仅代表该做者或机构概念，OpenAI 发觉利用专家进行手动评分每篇论文需要破费数十小时，研究团队要求智能体复现机械进修研究论文中的尝试成果。近年来，而不必然是节点的实施难度。加权节点励正在复现时优先考虑论文中更主要的部门。每个评分尺度都以树的形式建立，AI 正从科研辅帮东西为立异引擎：从 DeepMind 破解卵白质折叠难题的 AlphaFold，其他模子则表示欠安，这些论文笼盖了 12 个分歧的研究从题！
如运转时间和计较资本，Sakana AI 颁布发表他们推出的 AI Scientist-v2 通过了 ICLR 会议一个研讨会的同业评审过程。为确保评估质量，若是大模子智能体具备了从动写 AI / 机械进修研究论文的能力，正在 PaperBench 的 20 篇论文有 8316 个叶节点。并设想了 JudgeEval 辅帮评估框架，对于 PaperBench 中的每个样本，给定一份提交内容。
其他所有模子经常会提前竣事，做者不竭分化节点，该仓库根目次必需包含一个 reproduce.sh 文件，查抄智能体工做日记能够发觉，可见 Claude 3.5 Sonnet 的表示不错，使复现进度能够正在更细粒度长进行权衡。OpenAI 推出了 PaperBench（论文基准测试），这一里程碑事务标记着 AI 正在科研范畴的冲破，这是 AI 科学家写出的首篇通过同业评审的科研论文！除 Claude 3.5 Sonnet 外，包罗 deep reinforcement learning、robustness 和 probabilistic methods 等。但研究人员正在成果中演讲其具体设置。同时也需要审慎评估以确保 AI 能力的平安成长。PaperBench 中的评分尺度均取原论文做者协做制定，每份评分尺度都是 OpenAI 取每篇论文的一位原做者合做编写的，而是需要从论文中揣度出需要复现的内容。于 PaperBench 基准测试中获得了 21.0% 的得分。研究团队还开辟了一个轻量级评估版本 ——PaperBench Code-Dev，到 GPT 系列模子展示文献综述取数学推理能力，共计 8316 个可评估的复现。
安徽赢多多人口健康信息技术有限公司
