OpenAI 推出 AI 智能体评测基准 PaperBench，这套工具集围绕复现 20 篇机器学习顶会论文，对 AI 科研全流程能力进行量化评估。首轮测试中，Claude 3.5 以 21% 的成绩领先，人类博士则达到 41%。