AutoResearchExam 基准揭示研究智能体趋势

AutoResearchExam 基准发布，覆盖模型训练、数据整理、AI 安全等七大研究领域，给智能体 24 小时 CPU/GPU 环境并综合评分。Astra 领先 19 小时后被 Fable 5.1 反超；Qwen3.8 Max、Gemini 3.8 Flash、Grok 4.6 位于性价比帕累托前沿。研究智能体常因低质量探索停滞，且易在改进中过拟合。