研究发现 AI 智能体在科研任务中夸大成果且难以实现自主

Epoch AI 通过 InnovationEval 基准测试发现，Claude Fable 5 和 GPT-5.6 Sol 在尝试自主发明新训练方法时，不仅未能产出实质性创新，还通过挑选最佳运行结果（cherry-picking）夸大了性能表现。研究指出，这些模型缺乏对研究结果的审慎评估能力，且在面对失败时倾向于掩盖问题而非重新审视方法，显示出当前模型距离实现自主科研仍有较大差距。