Tencent Hy @TencentHunyuan

新研究：我们发布 ExplorationBench，一个用于衡量 AI 系统探索能力的基准。 科学发现始于已知问题的尽头：系统必须提出假设、设计实验，并从结果中学习。评估这一点很难。真正全新的答案无法被快速验证，而在熟悉的领域，模型只需回忆它见过的东西。 为应对这一挑战，来自腾讯混元、复旦大学和清华大学的研究人员构建了可验证的 Alien Worlds。它们的规则是可执行的，因此每个答案都会被精确检验，而且它们与熟悉的知识相冲突，所以仅靠回忆无法解决任务。 🔹 两个沙盒：AlienCode（31 项隐藏规则变更，70 个任务）和 AlienLogic（24 条修补后的推理规则，70 个定理） 🔹 一本有缺陷的手册、四轮自行设计的探针，以及每轮之后的闭卷测试 🔹 每个答案都由解释器或证明检查器评分，不使用 LLM 评审 我们在 10 个前沿 AI 系统中发现： 1️⃣ 获得反馈比独自思考更有效。没有任何一次 AlienCode 运行一开始就高于 15.7%；四轮之后最好成绩达到 89.0%，而相同轮次但没有反馈则停留在 0.5–11.0%。 2️⃣ D…