AutoSciBench: Sản xuất bài đo chuẩn tự trị để đánh giá các agent khoa học

Đoạn trích bài viết

Khi các agent phát triển nhanh chóng, bài đo chuẩn hiện có có thể trở nên bão hòa, hạn chế khả năng phân biệt khả năng và tiết lộ các chế độ thất bại còn lại. Đặc biệt là trong lĩnh vực khoa học, xây dựng và cập nhật bài đo chuẩn đòi hỏi thời gian đáng kể, lao động và chuyên môn trong lĩnh vực, khiến cho nó trở nên khó khăn.