挖掘板凳：游戏中的发现

Arxiv：2608.12593v2宣布类型：替换摘要：发现-制定新的概括-是科学过程的核心部分。尽管它很重要，但目前的人工智能基准测试环境中存在一个缺口，很少有基准测试直接探索在目标未知的受控环境中通过实验发现新知识的能力。为了弥补这一差距，我们发布了一个新的基准：DIGH-BASE(游戏中的发现)。掘板凳由一套70个独立的游戏组成。每个游戏都被编码为一个短字符串，并具有独特的转换规则，必须通过交互和实验来发现。这个游戏的级别提出了一系列挑战，以测试规则是否已经被发现，每个级别的获胜条件也是未知的。我们为AI代理提供七个难度级别的游戏。最低一级通常可以通过多种车型来解决，而最高一级在代理驾驭方面挑战最好的车型。所有70场比赛在第一次尝试时都至少有一个人解决了问题。21款游戏的子集是公开发布的，其余的为了安全评估而保密。