RUITA / DAILY BRIEF ·
ExplorationBench 用可验证的“异世界”考察 AI 探索未知规则的能力
复旦大学、腾讯混元与清华大学作者提出 ExplorationBench,使用规则可执行、与常识冲突的两个沙盒,评估 AI 能否通过实验反馈学习新规则。
KEY FACTS
核心信息
- 01
arXiv:2609.30199 于 9 月 24 日提交,10 月 8 日更新。
- 02
基准包含 AlienCode 和 AlienLogic 两个沙盒,每个各有 70 个任务。
- 03
论文评估 10 个 AI 系统,报告不同探索轨迹之间存在明显差异,继续探索也可能停滞或倒退。
发生了什么
研究者用可以直接执行或检查的规则设置任务,减少仅靠记住已有知识作答的可能;系统需要提出假设、调用工具试探,再处理留出题。论文将学习未知规则与利用既有知识区分开来。
对高校读者的意义
评估科研智能体的研究者可借鉴其“可执行验证 + 环境反馈”设计,同时检查其合成任务与真实学科研究之间的差距。