腾讯混元联合复旦清华发布AI探索能力基准

腾讯混元、复旦大学与清华大学研究人员发布 ExplorationBench，一个测量 AI 系统探索能力的基准，论文见 https://arxiv.org/abs/2609.30199。基准构建规则可执行、与已知知识冲突的可验证外星世界，含 AlienCode（31 处隐藏规则变化、70 任务）和 AlienLogic（24 条修改的推理规则、70 定理）两个沙盒，答案由解释器或证明检查器判定，不用 LLM judge。对 10 个前沿 AI 系统的测试发现：有反馈时最佳系统四轮后从 15.7% 以下升至 89.0%，无反馈仅 0.5–11.0%；重放系统自己最佳探针时 10 个系统中 9 个表现更差；规则全部正确陈述时任务解决率仅 73.4%；同一系统同一预算下得分在 5.7% 到 79.0% 之间波动，两个世界间排名几乎不可迁移。代码即将开源：https://github.com/Tencent-Hunyuan/ExplorationBench

腾讯混元联合复旦、清华推出 ExplorationBench，用可执行规则的 Alien Worlds 沙盒评测 AI 的自主探索能力，答案由解释器或证明检查器精确判定，不用 LLM 打分。测试 10 个前沿 AI 系统发现：AlienCode 无反馈时得分不超 15.7%，四轮反馈后最佳达 89.0%；同一系统同预算下得分在 5.7% 至 79.0% 间波动，两个沙盒的排名几乎不可迁移。