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。
- 2026-10-20 10:00 | 新浪财经：该如何评测大模型的探索能力？复旦、混元发布新基准ExplorationBench阅读原文
近日，腾讯混元官方账号（@TencentHunyuan）在 X 上发布了一项新研究：ExplorationBench，一个专门衡量 AI 系统如何「探索」的评测基准；随后，腾讯 AI 官方账号（@TencentAI_News）也发文进行了专题推介。这项工作由此前推出 CL-bench 的复旦大学与腾讯混元团队，联合清华大学共同完成。腾讯混元在推文中这样概括它和 CL-bench 的关系：「CL-bench 问的是模型能否从上下文中学习，ExplorationBench 问的是模型能否自己发现规则。」腾讯 AI 官方账号（@TencentAI_News）在推介中则把 ExplorationBen...
- 2026-09-30 21:29 | X：New Research: We are releasing ExplorationBench, a benchmark for measuring how AI systems explore. Scientific discovery begins where known problems en...阅读原文
New Research: We are releasing ExplorationBench, a benchmark for measuring how AI systems explore.Scientific discovery begins where known problems end: a system has to frame hypotheses, design experiments, and learn from the results. Evaluating this is hard. Genuinely new answers cannot be checked q...