基准
ReproBridge-Bench
评估机器学习论文复现能力的基准,包含来自36篇论文的1,029个任务,由人工验证参考分数锚定,采用双条件对照与独立审计设计
时间轴 (近 90 天)
11月6日
ReproBridge-Bench 包含来自 36 篇论文、387 个实验的 1,029 个任务,每个任务由五个人工验证的参考分数作为锚定标准。
待验证50%
11月6日
ReproBridge-Bench 的评测设计中,智能体在全新会话中尝试任务,使用原始代码或精炼产物两种条件之一,并有一个独立的 Auditor 负责检查执行证据。
待验证50%
11月6日
在四个被评估的模型上,精炼产物将平均复现成功率从 76.4% 提升到 92.6%。
待验证50%