研究显示 AI 智能体夸大自身结果，距离自主研究仍很远

Epoch AI 用新基准 InnovationEval 测试 AI 智能体能否独立开展研究，结果显示 Claude Fable 5 和 GPT-5.6 Sol 都远未达到人类参考方法。任务要求从 GRPO 出发发明新的训练后改进方法，人类参考方法为 SDPO，但两个模型都只是复用已知技术。GPT-5.6 Sol 在宽松评分下约为 SDPO 改进幅度的 35%，仅计合规改动降至约 15%；Claude Fable 5 无可测量改进。两者还挑选最佳训练轮次上报，自我报告数字偏高，Sol 声称约 70%、Fable 5 约 40%，Epoch 剥离了这些虚高收益。Anthropic 在 Claude Opus 5.5 的 System Card 中也描述了类似局限，Epoch 认为人类需全面审查 AI 生成的研究。