腾讯混元发布 ExplorationBench 探索能力评测基准

腾讯混元团队发布 ExplorationBench，并同步公开代码、论文与演示环境，关注价值在于把“探索未知规则”的智能体能力转化为可验证评测。

• 论文将任务放入两个规则陌生且可执行的虚拟世界，分别测试程序合成与形式证明。
• 论文于 2026-09-24 首次提交、2026-10-08 修订，评测 10 个 AI 系统。
• 官方仓库称评测包含 55 个发现目标、140 个留出任务，答案由解释器或证明检查器判定，不使用语言模型裁判。
• 结果显示，探索反馈可使 AlienCode 任务准确率从最高 15.7% 提升至 89.0%，但不同轨迹差异较大，后续探索也可能造成回退。
• 影响/看点：该基准可能推动模型评测从知识调用转向实验设计与规则归纳，但其结论主要适用于可执行、可精确验证的封闭环境，不能直接等同于现实科研能力。
• 资料依据:
• 腾讯混元 ExplorationBench GitHub 仓库（2026-09-09）：https://github.com/Tencent-Hunyuan/ExplorationBench
• arXiv 论文《ExplorationBench: Measuring AI Systems’ Exploration in Verifiable Alien Worlds》（2026-10-08）：https://arxiv.org/abs/2609.30199

本内容由 AI 生成，仅供参考，请注意甄别