腾讯混元联合复旦清华发布AI探索能力基准ExplorationBench

腾讯混元与复旦大学、清华大学的研究人员联合发布了ExplorationBench，这是一个用于衡量AI系统探索能力的新基准。该基准构建了可验证的Alien Worlds环境，包含AlienCode与AlienLogic两个沙盒：AlienCode包含31条隐藏规则变更和70项任务，AlienLogic则包含24条修补推理规则和70个定理。所有答案均由解释器或证明检查器自动评分，不依赖大模型裁判，确保结果客观可复现。

研究人员对10个前沿AI系统进行了测试，得出四项关键发现：第一，获得反馈比单纯思考更有效，在AlienCode上，最佳成绩从初始的15.7%提升至四轮后的89.0%，而无反馈的同轮次表现仅为0.5%至11.0%；第二，自主设计实验显著影响表现，即使将系统自己选择的最优探针回放给同一系统，9个系统在AlienCode上的成绩反而下降；第三，知道规则不等于会使用规则，即便所有必要规则均被正确给出，任务解决率仅为73.4%；第四，单一综合分数会掩盖重要差异，同一系统在相同预算下的成绩区间为5.7%至79.0%，且排名在两个世界间几乎没有迁移性。

目前，论文、网站及排行榜已公开，代码即将发布。