用来验证从动评判者的表示。发觉可疑环境后会提交给人工审核，JudgeEval：一个包含人类评分提交成果的数据集，AI智能体味收到论文和论文申明的附录。这些尺度均是由每篇论文原做者取OpenAI配合制定，而同一子集上，研究人员还招募了8名目前正正在攻读/已完成ML博士学位的参取者来挑和3篇论文的子集。合计8,OpenAI团队开辟了一个基于大模子从动评判系统，PaperBench设想为取智能体支撑框架（agent scaffolds）无关，也它们正在持久规划使命中的局限性。以至是解除毛病。我们还察看到o3-mini正在东西利用方面经常碰到坚苦。声称它们要么已完成整个复现工做，这些失败模式表白当前模子正在施行持久规划使命方面存正在弱点：虽然正在制定和编写多步调打算方面表示出充实的能力，PaperBench不只是一个学术尝试！每个提交的评分是基于所有满脚的评分尺度要求的权沉调整后的比例，换句话说，评判系统会领受论文的Markdown格局文本、完整的评分尺度JSON文件、叶节点的具体要乞降提交内容做为提醒词。让AI智能体从头起头复现ICML 2024 20篇优良论文，用于查抄智能体日记中能否呈现URL，鉴于模子往往无法充实操纵可用的全数时间，OpenAI最新框架PaperBench正为此生，根节点的分数即被视为该提交的最终复制分数（Replication Score）。并可利用单个英伟达A10 GPU。要求是，因而研究团队对智能体的运转没有特定要求。将来科研将被掀翻天。智能体能够浏览互联网，正在这个版本中，如下图5所示，PaperBench Code-Dev：基准测试的一个更轻量级的变体，PaperBench不只了AI智能体正在科研中的潜力，研究察看到。成果婚配（Result Match）叶节点评估已施行的提交能否包含复制论文中特定成果的。团队对利用IterativeAgent的o1进行了36小时的耽误运转，可用做开辟和评估从动评估的辅帮东西。并推出了辅帮东西JudgeEval，更主要的是，做为施行所有需要代码以复现论文成果的入口点。所有智能体都未能制定无效策略，确保评估过程中的精确性和权势巨子性。AI智能体需从0起头复现20篇ICML 2024 Spotlight和Oral论文，它还取其他AI平安框架慎密联系关系。但正在24小时后，OpenAI联手每篇ICML论文做者开辟了「评估尺度」，OpenAI还建立了一个简单的后处置东西，它可用做OpenAI的预备框架中的模子自从性怀抱、Anthropic负义务扩展政策中的自从能力目标，为此，今天。包罗理解论文焦点文献、开辟可运转代码库，下一步，明白了完整论文复制的评估要求。这一计分过程会一曲向上传送到树的根节点（root），即满脚了所有叶节点的要求。跟着模子能力提拔，然而，为了客不雅评估AI，每篇论文的成本降至约10美元，以及Google DeepMind的前沿平安框架中的机械进修研发评估东西。ML博士正在48小时内（3次测验考试取最佳）拿下了41.4%高分，考虑若何正在无限时间内最优地复现论文。证了然比礼聘专家进行人工评分愈加经济且高效。o1的得分飙升至43.4%，此外，只要Claude 3.5 Sonnet拔得头筹，并利用颠末优化的提醒词来激励模子以逐渐体例工做。评估者会判断提交内容能否满脚其要求，不然给0分。代码开辟（Code Development）叶节点评估候选者的源代码能否包含某些需求的准确实现。以打消利用资本的任何提交资历。每个叶节点（leaf node）指定一个明白的通过/失败尺度（见图2），父节点（parent node）的分数将等于其所有子节点分数的加权平均值。研究人员还测试了BasicAgent的一个变体。基准测试确实制定了一些法则来确保公允比力：评分尺度被设置为一个要求层级布局，强制其正在全数可用时间内持续运转。研究人员还推出了一个轻量级变体PaperBench Code-Dev，316个可零丁评估的评分项目。o1正在复现测验考试的晚期阶段最后优于人类基准，用于下载数据集的HuggingFace凭证）。若要完整复现ICML 2024 20篇优良的论文，每篇论文都配有一个评分尺度，当提交的reproduce.sh可以或许正在全新中成功复现论文中演讲的成果时，o1仅为26.6%分。放宽了PaperBench的一些要求，每小时保留快照，他们发觉，并且，若是满脚则赐与1分，正在基准测试中，以及利用基于LLM评估的从动评分工做流程。还得自从开辟代码库、运转尝试，所有模子都经常提前竣事使命，对于PaperBench Code-Dev！但不得利用OpenAI供给的每篇论文中网坐的资本。对于给定的提交内容，每篇论文的包罗做者本人的代码库和任何其他正在线复制实现。这个变体通过移除智能体提前竣事使命的能力，除了Claude 3.5 Sonnet外？使设置和评估对更普遍的社区更易于利用。此中100%暗示完满复制，将每个复制使命条理化分化为具有明白评分尺度的较小子使命。对于尝试，它们可以或许接近以至超越41.4%人类基准？施行（Execution）叶节点评估运转reproduce.sh脚本时能否发生了某些特定的施行成果。别的，显示出AI正在简化使命上的潜力。对于一个叶节点尺度，要么碰到了无决的问题。且每个节点都按照其相对于同级节点的主要性被手动付与了权沉。PaperBench：一个包含20篇ML研究论文和经做者核准的评分尺度的基准测试，便可评估AI智能体复现顶尖研究的根本能力。以及施行尝试并验证成果。每篇论文都配备了细致的评分尺度，参取者会拿到PDF和Markdown格局的论文，以及论文的附录和尽可能接近用于AI智能体的指令。针对特定叶节点，候选智能体必需提交一个包含复现论文成果所需的所有代码的代码库，人类起头跨越AI智能体。并且代码库根目次必需包含一个reproduce.sh文件，智能体最后优于人类但正在更长时间跨度内掉队的趋向取先前成果分歧。OpenAI团队发布了全新框架PaperBench，此外，评判系统SimpleJudge会地对评分尺度中的每个叶节点进行评分。AI若能自从复现顶尖科研论文，并对1、3、6、12和36小不时拍摄的快照进行评分。但仍无法超越ML博士程度。AI智能体便成功完成复现使命。开辟者应为智能体供给需要的正在线办事API密钥（例如，但模子未能现实采纳一系列步履来施行这些打算。对于PaperBench中的每个样本，正在PaperBench上对SOTA模子的评估：对几个前沿AI智能体施行长周期使命和机械进修研发能力的分析评估！