Реклама

FrontierChallenge: оценка завершения научного рабочего процесса

#FrontierChallenge #Научные #Pass #Rate #Показатель

arXiv:2608.24979v1 Научные агенты все чаще анализируют данные, выполняют код и производят исследовательские артефакты, но большинство эталонов подчеркивают окончательные ответы, изолированные программы или одну область. Мы представляем FrontierChallenge, междоменный бенчмарк, состоящий из 300…