AI能自己复现顶级AI论文了吗？OpenAI刚刚发布了 PaperBench，用于评估 AI 代理复现顶尖 AI 研究能力的基准测试
在这项测试中，AI 代理必须成功复现 ICML 2024 的顶级论文，这包括理解论文、编写代码和执行实验等环节
OpenAI用 PaperBench 测试了几款业界领先的 AI 模型。结果显示，在本次测试中表现最好的是 Claude 3.5 Sonnet (新版，配合开源框架)，其平均复现分数达到了 21.0%。研究人员还邀请了顶尖的机器学习博士参与了部分任务的测试，结果表明，当前的 AI 模型还没能超越人类专家的水平
简单来说，PaperBench就是一个AI复现顶会论文能力的“考场”，那么，这个考场具体是怎么运作的呢？我来给大家捋一捋
核心任务：从零复现顶会论文
PaperBench挑选了 20篇来自ICML 2024的Spotlight和Oral论文，涵盖了深度强化学习、鲁棒性、概率方法等12个不同的AI研究领域。这些都是当前AI研究的最新成果
AI代理（Agent）接到的任务是：
-
• 只给你论文原文和一个补充说明文件（由原作者提供，澄清模糊之处）。 -
• 从零开始，理解论文的核心贡献 -
• 编写完整的代码库，实现论文中的所有实验 -
• 成功运行、监控、调试这些实验，最终复现出论文报告的关键实证结果 -
• 禁止使用或查看原作者发布的任何代码，确保是AI独立完成的
最终，AI需要提交一个包含所有代码的仓库，其中必须有一个 reproduce.sh 脚本作为入口，能够在全新的环境中运行并复现结果
严格的“评分标准”：层级化Rubrics📊
PaperBench最核心的部分，就是为每篇论文都精心设计了一套层级化的评分细则（Rubrics）
与原作者共同开发：确保评分标准既准确又符合研究实际
树状结构：将复杂的复现任务分解为越来越细致的子任务，一直到最底层的“叶节点”
海量评分点：总共包含 8,316个可独立评分的叶节点任务！每个叶节点都有明确的“通过/失败”标准
权重分配：每个节点都有权重，反映其在整个研究中的相对重要性（而非实现难度）
最终得分（Replication Score）：叶节点得分（0或1）加权平均，逐层向上传递，根节点的分数就是最终的复现得分，0%表示完全失败，100%表示完美复现
这套评分系统能非常精细地衡量AI在复现过程中的部分进展，即使没能完全成功，也能知道它做到了哪一步
评分员是谁？LLM法官登场
手动给8000多个任务点打分？想想都头大。一个人类专家给一次尝试评分可能就要花几十个小时。为了让评估能够规模化进行，研究团队开发了一个基于LLM的自动评分系统（SimpleJudge）
独立评分：对每个叶节点，LLM法官会看到论文原文、完整的Rubric结构、当前叶节点的要求，以及AI提交并实际运行后的代码和输出文件
上下文处理：由于提交的完整代码库可能太大，法官会先对文件进行相关性排序，只看最重要的前10个文件
法官的法官（JudgeEval）：为了确保LLM法官靠谱，团队还创建了一个辅助评估基准 JudgeEval。他们用一些部分完成的复现尝试（来自人类或修改后的作者代码），让人类专家先打好分（作为“黄金标准”），然后让LLM法官来评，看它的判断和人类专家有多接近
表现与成本：实验表明，使用 o3-mini 作为后端的SimpleJudge，在JudgeEval上能达到0.83的F1分数，效果不错。而且成本大大降低，评分一篇完整论文大约需要66美元的API费用，相比人类专家成本，可以说是又快又省。考虑到完整的PaperBench评估（需要GPU运行代码复现）成本还是较高，团队还推出了一个简化版 PaperBench Code-Dev
结果如何？AI vs 人类博士
重头戏来了，现在的顶尖AI表现怎么样？
AI代理表现：团队测试了包括 GPT-4o, o1 (OpenAI另一模型), o3-mini, DeepSeek-R1, Claude 3.5 Sonnet (New), Gemini 2.0 Flash 在内的多个前沿模型
在基础的 BasicAgent（一个简单的智能体框架）设置下，Claude 3.5 Sonnet 表现最好，平均复现得分达到了 21.0%。OpenAI 的 o1 high得分为 13.2%，其他模型得分均低于10%
普遍问题：AI经常过早放弃（声称完成或遇到无法解决的问题），缺乏长期规划和策略能力，难以有效利用给定的时间（比如12小时）。简单的Agent框架可能也限制了模型能力发挥
使用 IterativeAgent（强制跑满时间、提示优化）后，o1和o3-mini得分有显著提升（o1达到24.4%），但Claude 3.5 Sonnet得分反而下降，显示出模型对提示和Agent框架的敏感性
人类基线：团队招募了8位机器学习领域的博士生/博士后，让他们在类似条件下（单块A10 GPU，4周兼职时间，禁用作者代码）尝试复现4篇论文（每篇3人独立尝试，取最好成绩）
结果对比：在最初的几个小时里，AI（以o1为例）写代码速度快，得分一度超越人类。但AI的得分很快停滞
人类虽然起步慢（可能需要时间理解论文），但得分持续稳定增长，在大约24小时后开始显著超过AI
在一个3篇论文的子集上，经过48小时的努力，人类博士的最佳尝试平均得分达到了 41.4%，而o1在同样子集上得分约为 26.6%
结论：目前最强的AI模型，在从零开始复现顶会级AI研究方面，展现出了一定的能力（特别是在快速编写初步代码方面），但距离真正胜任这项复杂、长周期的任务还有相当长的路要走。它们在长期规划、持续调试和策略执行方面存在明显短板
写在最后
PaperBench的发布意义重大：
提供了一个可量化的标尺：用于衡量AI在进行自主科研探索方面的能力进展。这对于理解AI能力边界、预测未来发展至关重要
加速科学发现的潜力：能够自主复现甚至改进研究的AI，无疑将极大加速科学进步，包括AI安全和对齐研究本身
开放与协作：PaperBench是开源的，鼓励整个社区使用、改进和扩展这个基准
PaperBench是AI能力评估领域的一个重要里程碑。它首次系统性地、大规模地评估了AI从零开始复现复杂前沿研究的能力。虽然当前AI的表现离完美复现还有距离，但这无疑为我们观察、理解和引导AI迈向更高级自主智能提供了宝贵的视角和工具
参考：
https://cdn.openai.com/papers/22265bac-3191-44e5-b057-7aaacd8e90cd/paperbench.pdf
⭐
（文：AI寒武纪）