前沿模型能否成为自主研究者？评测揭示三大发现

美团LongCat在36项AI研发任务上评测7个前沿模型，覆盖756条轨迹。结果显示：强优化性能不等于真正创新，252个方案中仅3个算新颖；可靠性比峰值性能更能区分模型；经验积累可能有益也可能误导，而自动化harness优化带来的收益可迁移至其他任务和模型。当前智能体更像工程优化器而非完全自主研究者。