AARR基准测试套件旨在检验AI智能体能否在细致的研究场景中模拟人类研究者的专业性、严谨性与细致入微的推理能力,具体而言,即智能体能否以恰当的严谨态度和方法完成入门级研究任务。

AARRI-Bench基准测试评估AI智能体在“研究实习生”级别任务上的表现——例如识别捏造的数据,或在压力下拒绝篡改结果——目前表现最好的模型Claude-Opus-4.7得分为68.3%,这表明AI已经开始能够作为研究助手发挥作用。 ✦ AI 生成 · 平台预翻

AARR researchers (Xi'an Jiaotong University and Xidian University) · Import AI · 2026-06-15 · English original →

他们写道:“AARR关注的是智能体能否在细致的研究场景中,模拟人类研究者所具备的专业性、严谨性和细致入微的推理能力。”AARRI-Bench研究的是“智能体以恰当的严谨态度和方法完成入门级研究任务的能力”。

"AARR focuses on whether agents can emulate the professionalism, thoroughness, and nuanced reasoning that characterize human researchers in granular research scenarios," they write. AARRI-Bench studies "the ability of an agent to perform entry-level research tasks with appropriate diligence and methodology".

阅读原文 ↗合理引用摘录 · 中文为平台译文