四个前沿模型在由 7 部分组成的材料科学研究测试中得分为 97.8-100。我们应该如何对长期代理评估进行评分? [d]
原文:Four frontier models scored 97.8–100 on a 7-part materials-science research test. How should we score long-horizon agent evals instead? [d]
我研究石墨烯和二维材料,并在研究小组中对日常技术工作进行了测试。它由七个部分组成:根据实验室 SOP(带有单位和异常值陷阱)减少混乱的拉伸数据集,编写检查三个隐藏结构的 CIF 密度函数,四项粗略的物理计算,批评一份有 10 个植入错误和 6 个正确但可疑的设计的手稿。
正文没能搬到本站:该站禁止服务器(机房 IP)抓取,返回 site,换任何浏览器标识都拿不到。在手机上打开原站往往又慢又卡,下面先把收录到的内容给你。
本站会持续尝试重新抓取;也可以收藏这条,正文抓到后会永久保留。
正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。