今天凌晨1点，OpenAI开源了一个全新的AI Agent评测基准——PaperBench。这个基准主要考核智能体的搜索、整合、执行等能力，需要对2024年国际机器学习大会上顶尖论文的复现，包括对论文内容的理解、代码编写以及实验执行等方面的能力。

根据OpenAI公布的测试数据显示，目前知名大模型打造的智能体，还无法战胜顶级机器学习专业博士。但在辅助学习、了解科研内容方面很有帮助。

开源地址：https://github.com/openai/preparedness/

PaperBench组成介绍

PaperBench的核心是其任务模块，主要定义了智能体需要完成的具体任务，需要从头开始复现20篇ICML 2024会议上的Spotlight和Oral两大类顶级论文，包括理解论文的贡献，开发代码库以及成功执行实验，以评测智能体从理论到实践的全方位自动化能力。

为了确保评估的准确性和细致性，PaperBench开发了一套详细的评分标准，以层次化的树形结构呈现。使得评分过程能够深入到每一个细节，从论文的核心贡献到具体的实验结果，再到代码实现和执行要求，每一个环节都有相应的评分节点。

这些评分节点被精心设计为可单独评分的任务，总数达到了8316个，从而实现了对智能体能力的全面评估。

评分模块的核心是基于大模型的自动评分系统，它能根据评分标准自动评估智能体的复制尝试。自动评分系统的引入大幅提高评分效率和可扩展性，使PaperBench能快速评估大量提交。

为验证自动评分系统的准确性，PaperBench创建了单独的评分系统基准测试JudgeEval，通过比较自动评分系统的输出与人类专家的评分结果来评估其性能。这一过程不仅确保自动评分系统的可靠性，也为未来的评分系统改进提供重要参考。

规则模块确保评估过程的公平性。它规定智能体在执行任务时可以使用的资源，例如允许智能体浏览互联网，但禁止使用论文作者的原始代码库或其他在线复制资源。这些规则确保智能体的能力基于其自身的理解和实现，而非依赖现有代码或资源。

PaperBench还包含一个轻量级评估变体模块PaperBench Code-Dev，旨在降低评估门槛，使其更适合更广泛的社区使用。

Code-Dev放宽了一些评测要求，例如，跳过了执行代码以验证结果是否复制的步骤，仅对代码开发进行评估。这一变体虽牺牲了一些评估完整性，但大幅降低了评估成本和复杂性，使更多研究者能参与智能体的评估。

智能体测试环境

每个被测试的智能体在运行Ubuntu 24.04的Docker容器中执行任务，保证了环境的一致性和可重复性，接近真实研究场景的运行环境。

容器可访问单个A10 GPU，这对于加速机器学习实验至关重要。同时，容器具备联网能力，智能体可下载软件包、访问在线资源。

为满足实验中的多种服务需求，研究人员为智能体提供了HuggingFace和OpenAI API的密钥，其中OpenAI API预加载了1000美元额度。这确保了智能体在需要使用OpenAI的微调API或从HuggingFace下载数据集时，能够顺利操作。

智能体的本地工作目录包含论文的PDF和Markdown格式文件、论文附录以及指令文本文件，为智能体提供了丰富的信息来源和明确的指导。

在智能体设置方面，研究团队基于Inspect AI的基本智能体开发了SimpleAgent。SimpleAgent运行工具使用循环，配备bash shell命令执行工具、Python代码执行工具、web浏览器工具和分页文件阅读器工具，能够高效完成任务。但是，大多数使用SimpleAgent的智能体存在提前结束任务的问题。

为解决这一问题，OpenAI开发了IterativeAgent通过修改系统提示，要求智能体每次只进行下一步操作，并移除了提交工具，确保在整个可用时间内持续工作。这些改进使IterativeAgent在实验中表现出与SimpleAgent不同的行为模式，为研究不同智能体设置对模型复制能力的影响提供了新的视角。

评测数据

OpenAI通过该基准对 GPT - 4o、o1、o3 - mini、DeepSeek - R1、Claude 3.5 Sonnet 和 Gemini 2.0 Flash主流开闭源模型打造的智能体进行了综合测试。

每个模型对每篇论文运行3次，每次运行的最长时间为12小时。结果显示，Claude 3.5 Sonnet效果最好，平均复现分数达到21.0%；o1的得分较低，为13.2%；R1只有6%；其他测试模型的表现更差。

最让人意外的是，OpenAI刚发布没多久的o3-Mini-High直接垫底，看来这个评测还是相当客观的。

通过对智能体日志的手动检查发现，除 Claude 3.5 Sonnet 外，其他模型经常提前结束任务，并且所有模型都未能有效规划如何在有限时间内完成论文复现任务，o3 - mini 在工具使用方面也存在困难。

这表明智能体在执行长期任务方面存在不足，尽管它们在制定和编写多步计划方面有一定能力，但在实际执行长计划时却表现不佳。

为了进一步确定智能体和PaperBench的评测准确性，OpenAI还找来了8名顶级名校的机器学习专业博士，需要在与智能体相似的条件下，对 PaperBench中的4篇论文进行复现尝试，每人对每篇论文进行3次独立尝试。

结果显示，在复现尝试的早期阶段，o1的表现优于人类基线，但在24小时后，人类开始超越 o1。

这表明模型在开始时能够快速编写大量代码，但在后续有效规划和改进提交内容方面存在不足，而人类在前期消化论文的时间较多，但后续能够持续提升复现效果。也就是说，目前智能体的能力还无法超越人类。