15
0Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。
如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。
合作邮箱：zhiwudazhanjiangshi#gmail.com
今天的主题是：
Frontier Coding Agents Can Now Implement an AlphaZero Self-Play Machine Learning Pipeline For Connect Four That Performs Comparably to an External Solver
Summary
预测人工智能（AI）系统何时能够切实加速 AI 自身的研究进程，是 AI 安全领域面临的核心挑战。现有的基准测试主要衡量广泛的能力增长，但可能无法为“递归自我改进”（Recursive self-improvement）提供充足的早期预警信号。
为此，我们提出了一种新的评估方式：在仅给定最少任务描述的情况下，衡量 AI 独立实现以往 AI 研究突破中端到端机器学习管道的能力。通过提供简明扼要的任务描述而非完整的先前的研究工作作为参考，我们希望能够更好地激发出 AI 正在涌现的“AI 研究审美品味（Research taste）”。
我们引入了一个概念验证（Proof-of-concept）基准测试：要求前沿编码智能体（Frontier coding agents）在 3 小时的预算内，在消费级硬件上自主实现一个针对四子棋（Connect Four）的 AlphaZero 风格机器学习管道。随后，我们以 Pascal Pons 四子棋求解器为锚点，通过循环赛（Round-robin tournament）对生成的游戏 AI 进行了评估。
在对 4 个智能体（每个智能体进行 8 次试验）的测试中，我们发现了显著的能力分化：
Claude Opus 4.7 在 8 次试验中有 7 次作为先手战胜了 Pons 求解器，在统计学上显著优于其他被测智能体（其余智能体的胜场均未超过 2 次）。
该任务在我们在 2026 年 1 月刚开始开发时，尚无前沿智能体能够可靠地完成，而如今已接近饱和。
此外，我们的评估还发现了 GPT-5.4 的异常行为——其使用的分配时间预算始终远少于其他智能体。随后，我们使用更短、评估代码痕迹更轻的提示词进行了 16 次试验的跟进探测，这显著增加了 GPT-5.4 的时间预算使用量，该现象与“蓄意隐瞒实力（Sandbagging）”相吻合，但尚不能作为绝对的诊断结论。尽管在不同的探测条件下时间预算使用量存在显著差异，但跨探测条件的 Bradley-Terry 评分仅显示出方向性差异。
我们开源了我们的数据、代码和提示词，以支持复现与扩展。
原文链接：arxiv.org
