Auto Research Era: 47 Tasks Without Standard Answers Become the Must-Test Leaderboard for Agent Capabilities

marsbitXuất bản vào 2026-05-13Cập nhật gần nhất vào 2026-05-13

Tóm tắt

The article introduces Frontier-Eng Bench, a new benchmark for AI agents developed by Einsia AI's Navers lab. Unlike traditional tests with clear answers, this benchmark presents 47 complex, real-world engineering tasks—such as optimizing underwater robot stability, battery fast-charging protocols, or quantum circuit noise control—where there is no single correct solution, only continuous optimization towards a limit. It shifts AI evaluation from static knowledge retrieval to a dynamic "engineering closed-loop": the AI must propose solutions, run simulations, interpret errors, adjust parameters, and re-run experiments to iteratively improve performance. This process tests an agent's ability to learn and evolve through long-term feedback, much like a human engineer tackling trade-offs between power, safety, and performance. Key findings from the benchmark reveal two patterns: 1) Improvements follow a power-law decay, becoming harder and smaller as optimization progresses, and 2) While exploring multiple solution paths (breadth) helps, sustained depth in a single path is crucial for breakthrough innovations. The research suggests this marks a step toward "Auto Research," where AI systems can autonomously conduct continuous, tireless optimization in scientific and engineering domains. Humans would set high-level goals, while AI agents handle the iterative experimentation and refinement. This could fundamentally change research and development workflows.

If we throw AI into an engineering site with no standard answers, can it still survive?

For a long time, AI Agents have appeared omnipotent, but in reality, most are just 'flipping through memories' within known knowledge bases.

Yet the real engineering world is harsh: the stability of underwater robots, the lithium plating boundary of power batteries, the noise control of quantum circuits... These problems have no 'perfect score', only 'optimizations that inch closer to the limit'.

Recently, the Agent Benchmark released by Navers lab under Einsia AIFrontier-Eng Bench—officially tore off the label of AI being an 'exam-crammer'.

The research team didn't have AI grind through outdated coding problems. Instead, they gave it a complete 'engineering closed loop': propose a solution, connect to the simulator, digest errors, adjust parameters, and re-run.

Faced with 47 hardcore tasks spanning multiple disciplines, AI must behave like a senior engineer, seeking the optimal solution within the 'impossible triangle' of power consumption, safety, and performance.

This is not just a test suite; it's more like a rehearsal for Agent 'evolution'.

When AI begins to learn self-correction from feedback, the Auto Research era, where 'humans set goals and AI iterates non-stop 24/7', might be closer than we imagine.

AI Starts Tackling 'Hard Work'

Past large language models were more like super straight-A students.

You pose a question, it 'flips through memory' from massive training data, then pieces together an answer that seems plausible.

In this mode, the large model is essentially playing 'word chain', not solving real-world problems.

But the emergence of Frontier-Eng Bench has AI doing the work of 'engineering optimization'.

The process has shifted to letting AI first propose a solution, then connect to a simulator to run experiments, subsequently obtain feedback and errors, modify parameters and code, and continue re-running until performance improves further.

In this closed-loop system, AI's identity undergoes a qualitative change.

Want to make the underwater robot more stable? AI must start automatically tuning the controller.

Want to increase the speed of the robotic arm a bit more? AI has to run simulations itself.

To some extent, AIs have shed their purely semantic understanding role and begun to act like professional engineers, continuously optimizing based on real-world environmental feedback.

The most interesting aspect of Frontier-Eng Bench is: it doesn't test whether AI 'answered correctly', but rather whether AI can continuously become stronger.

Because real engineering optimization is never about multiple-choice questions; there is no single standard answer.

Take fast-charging batteries as an example: the goal sounds simple—charge as fast as possible, but reality isn't so easy.

Under strict constraints like temperature mustn't spike, voltage can't overspeed, battery life can't drop too fast, and lithium plating must be avoided, AI must precisely hit the balance point of performance.

This means AI cannot pass through by any clever 'test-cramming' tricks; it must demonstrate endurance for continuous evolution through long-term feedback.

Can AI perform long-term optimization in real environments?

Looking at the results, GPT5.4 showed the most stable overall performance, but AIs still have a long way to go before 'solving' the Benchmark.

Auto Research Enters the 'Iterative Optimization' Era

The research team raised a very interesting point in their paper:

Truly advanced intelligence essentially relies on long-term feedback loops.

Just as AlphaGo could defeat Lee Sedol, it lay in the vast number of simulations and immediate feedback behind each decision, not the rote memorization of established game records.

True scientific research is the same: top labs don't rely on a single burst of inspiration, but continuously propose hypotheses, run experiments, examine results, modify plans, and try again.

Engineering optimization follows the same principle: anyone can create the first version; what's truly difficult is that final 1% performance leap.

The significance of Frontier-Eng Bench lies here: For the first time, it systematically begins testing AI's 'iterative optimization capability', and has summarized two nearly brutal laws of AI evolution.

The first law is: The further you go, the harder the improvement.

This paper found that the frequency and magnitude of Agent improvements follow a power-law decay:

  • Improvement frequency ∝ 1 / iteration count
  • Improvement magnitude ∝ 1 / improvement count

Simply put: the fastest gains come in the first few rounds, and it gets progressively harder and smaller later on.

This closely resembles the real R&D process: the first version of AI can quickly eliminate many 'low-hanging fruits', but the closer it gets to the bottleneck, the more effort is required to squeeze out even a bit more performance.

Would it be more cost-effective to explore multiple paths in parallel for trial and error? The answer lies in the second law.

The second law: Breadth is useful, but depth is even more indispensable.

Running multiple parallel paths can avoid getting stuck, but with a fixed budget, each additional chain opened shallows the depth of exploration.

Many engineering breakthroughs require continuous accumulation and constant correction before structural leaps emerge; they can't be achieved simply by 'trying a few more times'.

This actually points towards the development direction of next-generation Agents: not models that 'output an answer once', but systems that can continuously iterate and self-evolve within long-term feedback loops.

AI Engineers Might Really Be Coming

The true far-reaching significance of this research lies in its preliminary outline of an AI system beginning to approach the real engineering cycle.

Imagine when AI connects to industrial software, simulation environments, CAD systems, chip design tools, scientific computing platforms...

A dramatic transformation in the modality of productivity is on the verge of emerging.

In future labs, a division of labor like this might appear:

Human researchers are responsible for proposing directions and goals.

For example, 'reduce this component's energy consumption by 30%', 'compress this model's forward pass GPU usage even lower', 'increase the stability of robot control a bit more', 'push the fidelity of this quantum circuit closer to the limit', etc.

And AI is responsible for 'grinding the path'. They focus on these goals, continuously optimizing.

For example, automatically running simulations and experiments, automatically reading feedback from verifiers and simulators, then continuing to modify and optimize, iterating non-stop 24/7.

This evolutionary logic frees AI from the identity of an 'assistive tool', allowing it to begin solving complex system problems like a real engineering team—and tirelessly at that.

And the issues revealed by the Frontier-Eng Benchmark are actually very direct:

When AI begins to learn 'long-term optimization', how far is it from true engineering intelligence?

Paper Title: Frontier-Eng: Benchmarking Self-Evolving Agents on Real-World Engineering Tasks with Generative Optimization

Project Homepage: https://lab.einsia.ai/frontier-eng/

Arxiv: https://arxiv.org/abs/2604.12290

GitHub repo: https://github.com/EinsiaLab/Frontier-Engineering

This article is from the WeChat public account "Quantum Bit", author: Yun Zhong

Tiền kỹ thuật số thịnh hành

Câu hỏi Liên quan

QWhat is the main purpose of the Frontier-Eng Benchmark released by Einsteina AI's Navers lab?

AThe main purpose of the Frontier-Eng Benchmark is to move beyond testing AI's ability to recall known information. It systematically tests AI agents' capability for 'iterative optimization' on 47 real-world, open-ended engineering tasks without standard answers, evaluating if they can continuously improve performance through a feedback loop involving simulation, error analysis, and parameter adjustment.

QHow does the AI's role change in the Frontier-Eng Benchmark testing process compared to traditional language models?

AIn the Frontier-Eng Benchmark, the AI transitions from acting as a 'super student' that retrieves and assembles answers from training data to performing 'engineering optimization.' Its role becomes akin to a professional engineer: it proposes solutions, runs simulations, analyzes feedback and errors, modifies parameters/code, and reruns experiments in a continuous loop to seek optimal performance under complex constraints.

QWhat are the two key 'AI evolution laws' discovered through the Frontier-Eng Benchmark regarding iterative optimization?

AThe two key laws are: 1) Improvements become progressively harder and smaller (showing a power-law decay: Improvement frequency ∝ 1/iteration count, Improvement magnitude ∝ 1/improvement count). 2) While exploring multiple parallel paths (breadth) is useful, sustained depth in a single optimization path is more critical for achieving structural breakthroughs, as fixed budgets force a trade-off between breadth and depth.

QWhat future work paradigm does the article suggest might emerge from the development of self-evolving AI agents?

AThe article suggests a future 'Auto Research' paradigm where human researchers define the goals and direction (e.g., 'reduce component energy consumption by 30%'), and AI agents take on the role of 'grinding the path.' They would work autonomously and tirelessly—running simulations, interpreting feedback from verifiers and simulators, and iteratively optimizing—24/7 to approach performance limits.

QAccording to the article, what fundamental shift in AI capability does the Frontier-Eng Benchmark represent?

AThe Frontier-Eng Benchmark represents a fundamental shift from evaluating AI's ability to find predetermined 'correct answers' to testing its capacity for 'self-evolution' through long-term feedback loops. It moves the focus to whether AI can demonstrate sustained learning and improvement in complex, real-world scenarios with no single correct answer, pushing AI closer to genuine engineering intelligence.

Nội dung Liên quan

Muốn săn mã Robinhood Chain? Các dự án hệ sinh thái nào đáng chú ý?

Robinhood Chain, mạng lưới Lớp 2 cốt lõi của Robinhood, đã chính thức khởi chạy mainnet cùng chương trình miễn phí gas 90 ngày. Sau 4 ngày, TVL hệ sinh thái đạt khoảng 76,73 triệu USD. Bài viết điểm qua một số dự án tiềm năng đáng chú ý: - **Arcus**: Sàn giao dịch phi tập trung (DEX) chuyên về token cổ phiếu và tiền mã hóa, tập trung vào giao ngay và hợp đồng vĩnh viễn, được xây dựng bởi dYdX Labs và Robinhood Crypto. Một phần token ARCUS sẽ được phân bổ cho cộng đồng dYdX. - **Lighter**: Sàn giao dịch hợp đồng vĩnh viễn và giao ngay phi tập trung, đã cam kết phân bổ 11 triệu USD giá trị token LIT cho cộng đồng thông qua chương trình tích điểm. - **Morpho**: Hợp tác với Robinhood Earn, cho phép người dùng cho vay stablecoin USDG và kiếm lãi suất thông qua các vault Morpho. - **Rialto**: Sàn giao dịch giao ngay trên chuỗi, hỗ trợ nhiều loại tài sản như token cổ phiếu Robinhood và tiền mã hóa chính trên Robinhood Chain. - **Arrakis**: Giao thức tạo lập thị trường phi giám sát, giúp các nhà phát hành quản lý thanh khoản trên DEX. - **Meridian**: Nền tảng hợp đồng vĩnh viễn và thị trường dự đoán chuyên về Tài sản Thực (RWA), sử dụng USDe để thanh toán. - **Native**: Hệ thống khám phá và thực thi giá trên chuỗi, mới được triển khai trên Robinhood Chain. Lưu ý: Thông tin không phải là lời khuyên đầu tư. Người tham gia cần tự nghiên cứu (DYOR) và đánh giá rủi ro.

Foresight News4 phút trước

Muốn săn mã Robinhood Chain? Các dự án hệ sinh thái nào đáng chú ý?

Foresight News4 phút trước

Kết thúc điều chỉnh hay xu hướng tiếp tục: Nhìn lại cấu trúc kỹ thuật BTC, HYPE | Phân tích chuyên đề

Báo cáo tuần này phân tích cấu trúc kỹ thuật trên nhiều khung thời gian cho BTC và HYPE. **Phần BTC:** * **Cấu trúc đường ngày:** Từ mức cao 82,850 USD ngày 6/5, BTC đã hoàn thành cấu trúc điều chỉnh 4 sóng (điểm 0-4). Vị trí kết thúc của "điểm 4" đang di chuyển (sóng 3-4) sẽ quyết định xu hướng ngắn hạn. * **Lộ trình 1 (Khả năng cao):** Nếu giá phục hồi vượt qua 65,700 USD, thị trường có khả năng chuyển sang giao dịch trong một phạm vi (sideways) để tích lũy trước khi tăng trở lại. * **Lộ trình 2:** Nếu giá không chạm tới 65,700 USD, khả năng tiếp tục giảm xuống dưới mức hỗ trợ quan trọng 57,820 USD là cao. * **Cấu trúc 4 giờ:** Đợt giảm từ 67,300 USD đã hoàn thành cấu trúc 5 sóng với sự phân kỳ tăng (bullish divergence) ở đáy, hỗ trợ cho đợt phục hồi hiện tại. Giá cần vượt qua 65,700 USD để củng cố tín hiệu tăng. * **Chiến lược tuần (06-12/07):** * **Vùng cản:** 64,500-65,700 USD; 67,300 USD; 69,500-71,000 USD. * **Vùng hỗ trợ:** 60,950-62,300 USD; 57,820 USD; 55,000 USD. * **Chiến lược trung hạn:** Duy trì vị thế bán 20%. Có thể tăng lên 50% nếu giá chạm 65,700-67,300 USD và có tín hiệu đảo chiều từ mô hình định lượng. * **Chiến lược ngắn hạn:** Giao dịch lướt sóng với 30% vốn, tập trung vào hai kịch bản: bán thử nghiệm ở vùng cản mạnh hoặc mua nhẹ ở vùng hỗ trợ mạnh 57,820 USD. **Phần HYPE:** * **Cấu trúc 4 giờ:** Giá đã tăng khoảng 19% từ đáy 60.55 USD, tuân theo dự báo "đáy kép" trước đó và hoàn thành cấu trúc tăng 7 sóng nhỏ. * **Cảnh báo:** Mô hình giao dịch đã báo tín hiệu cảnh báo đỉnh ở các điểm 59 và 61. Giá đang tiến gần vùng cao lịch sử 76.94 USD, cần thận trọng, tránh mua đuổi. * **Chiến lược tuần (06-12/07):** * **Vùng cản:** 75-76.94 USD; 80 USD. * **Vùng hỗ trợ:** 68 USD; 65.5 USD; 60.5-61.5 USD. * **Hành động chính:** Chốt lời và quản lý rủi ro. Di chuyển lệnh dừng lỗ để bảo vệ lợi nhuận nếu đang nắm giữ lệnh mua. **Giao dịch mẫu & Lưu ý:** Bài viết chia sẻ một giao dịch HYPE thành công (+10.23%) dựa trên tín hiệu kết hợp từ các mô hình định lượng. Nhấn mạnh nguyên tắc quản lý vốn: luôn đặt lệnh dừng lỗ ban đầu và di chuyển lệnh dừng lỗ theo xu hướng để khóa lợi nhuận. *Lưu ý: Đây là phân tích kỹ thuật cá nhân, không phải lời khuyên đầu tư. Thị trường có rủi ro, hãy thận trọng.*

marsbit8 phút trước

Kết thúc điều chỉnh hay xu hướng tiếp tục: Nhìn lại cấu trúc kỹ thuật BTC, HYPE | Phân tích chuyên đề

marsbit8 phút trước

Sắp Kết Thúc Điều Chỉnh hay Tiếp Tục Xu Hướng: Tổng Kết Cấu Trúc Kỹ Thuật BTC, HYPE | Phân Tích Đặc Biệt

Báo cáo tuần này phân tích cấu trúc kỹ thuật đa chu kỳ cho BTC và HYPE. Về Bitcoin, phân tích từ khung ngày và 4 giờ cho thấy đợt điều chỉnh từ mức cao ngày 6/5 đã hình thành cấu trúc 4 giai đoạn rõ ràng. Thị trường hiện đang trong giai đoạn phục hồi (3-4). Mô hình định lượng chỉ ra hai kịch bản chính: nếu điểm cuối "Endpoint 4" vượt qua mức kháng cự 65.700 USD, thị trường có khả năng chuyển sang giai đoạn tích lũy; nếu không, xu hướng giảm có thể tiếp tục. Trên khung 4 giờ, một cấu trúc giảm 5 sóng đã hoàn thành với sự phân kỳ động lượng tích cực ở đáy, hỗ trợ cho đợt phục hồi hiện tại. Chiến lược tuần này (từ 6-12/7) tập trung vào mức đỉnh của đợt phục hồi từ đáy 57.820 USD. Các mức kháng cự chính: 64.500-65.700 USD, 67.300 USD và 69.500-71.000 USD. Các mức hỗ trợ chính: 60.950-62.300 USD, 57.820 USD và 55.000 USD. Chiến lược trung hạn giữ vị thế bán 20%, có thể tăng lên 50% nếu giá phục hồi thất bại ở vùng 65.700-67.300 USD. Chiến lược ngắn hạn (30% vốn) linh hoạt tìm kiếm cơ hội chênh lệch giá, với hai phương án: A) Bán thử nghiệm ở vùng kháng cự mạnh; B) Mua thử nghiệm nhẹ ở vùng hỗ trợ mạnh. Về HYPE, phân tích khung 4 giờ cho thấy đợt tăng từ đáy 58.5 USD (ngày 25/6) có cấu trúc 7 sóng rõ ràng. Giá hiện đang trong sóng tăng cuối cùng (60-61) nhưng đã chạm vào vùng cảnh báo đỉnh từ mô hình giao dịch chênh lệch, gần mức cao lịch sử 76.94 USD. Tuần này cần thận trọng, không nên FOMO mua vào. Các mức kháng cự chính: 75-76.94 USD và 80 USD. Các mức hỗ trợ chính: 68 USD, 65.5 USD và 60.5-61.5 USD. Chiến lược chính là chốt lời và quản lý rủi ro. Báo cáo cũng chia sẻ một giao dịch ngắn hạn thành công trên HYPE với lợi nhuận ~10.23%, nhấn mạnh tầm quan trọng của việc tuân thủ tín hiệu mô hình và quy tắc quản lý vốn chặt chẽ (di chuyển lệnh dừng lỗ để bảo vệ lợi nhuận). Lưu ý: Phân tích và chiến lược dựa trên quan điểm cá nhân, không phải lời khuyên đầu tư. Thị trường biến động, cần điều chỉnh linh hoạt.

Odaily星球日报12 phút trước

Sắp Kết Thúc Điều Chỉnh hay Tiếp Tục Xu Hướng: Tổng Kết Cấu Trúc Kỹ Thuật BTC, HYPE | Phân Tích Đặc Biệt

Odaily星球日报12 phút trước

Bitcoin ‘greatest evolution’ lies beyond the protocol: Michael Saylor

Trong bài phát biểu gần đây trên X, Michael Saylor của MicroStrategy đã chia sẻ về sự thay đổi quan trọng nhất đối với Bitcoin (BTC) trong thập kỷ tới. Ông nhấn mạnh rằng sự tiến hóa lớn nhất sẽ không đến từ những thay đổi giao thức thường xuyên, mà từ sự phát triển mạnh mẽ của hệ sinh thái tài chính xung quanh nó. Saylor cho rằng việc Bitcoin ít thay đổi ở lớp giao thức lại là điểm mạnh, và sự kiện giảm một nửa phần thưởng khối (halving) sẽ không còn là động lực chính cho giá. Thay vào đó, tăng trưởng trong tương lai sẽ được thúc đẩy bởi dòng vốn thể chế quy mô lớn từ các quỹ ETF spot, kho bạc doanh nghiệp, quỹ tài sản có chủ quyền, ngân hàng và các định chế tài chính khác. Tuy nhiên, ông cũng cảnh báo về những rủi ro như sự xuất hiện của "Bitcoin giấy" (nơi các tổ chức phát hành nhiều công cụ tài chính hơn số Bitcoin thực họ nắm giữ), tập trung quản lý quá mức, giám sát chính phủ gia tăng và tính bền vững của phí giao dịch. Dù vậy, Saylor lạc quan rằng đến năm 2036, Bitcoin sẽ được nắm giữ rộng rãi hơn, thể chế hóa sâu hơn và tích hợp chặt chẽ hơn vào hệ thống tài chính. Bài viết cũng đề cập đến việc nắm giữ Bitcoin của MicroStrategy đã tăng từ dưới 1% lên hơn 4% tổng nguồn cung lưu hành từ 2021 đến giữa 2026, bất chấp sự biến động giá và những chỉ trích từ một số tổ chức lớn như JPMorgan.

ambcrypto50 phút trước

Bitcoin ‘greatest evolution’ lies beyond the protocol: Michael Saylor

ambcrypto50 phút trước

Giao dịch

Giao ngay

Bài viết Nổi bật

Làm thế nào để Mua ERA

Chào mừng bạn đến với HTX.com! Chúng tôi đã làm cho mua Caldera (ERA) trở nên đơn giản và thuận tiện. Làm theo hướng dẫn từng bước của chúng tôi để bắt đầu hành trình tiền kỹ thuật số của bạn.Bước 1: Tạo Tài khoản HTX của BạnSử dụng email hoặc số điện thoại của bạn để đăng ký tài khoản miễn phí trên HTX. Trải nghiệm hành trình đăng ký không rắc rối và mở khóa tất cả tính năng. Nhận Tài khoản của tôiBước 2: Truy cập Mua Crypto và Chọn Phương thức Thanh toán của BạnThẻ Tín dụng/Ghi nợ: Sử dụng Visa hoặc Mastercard của bạn để mua Caldera (ERA) ngay lập tức.Số dư: Sử dụng tiền từ số dư tài khoản HTX của bạn để giao dịch liền mạch.Bên thứ ba: Chúng tôi đã thêm những phương thức thanh toán phổ biến như Google Pay và Apple Pay để nâng cao sự tiện lợi.P2P: Giao dịch trực tiếp với người dùng khác trên HTX.Thị trường mua bán phi tập trung (OTC): Chúng tôi cung cấp những dịch vụ được thiết kế riêng và tỷ giá hối đoái cạnh tranh cho nhà giao dịch.Bước 3: Lưu trữ Caldera (ERA) của BạnSau khi mua Caldera (ERA), lưu trữ trong tài khoản HTX của bạn. Ngoài ra, bạn có thể gửi đi nơi khác qua chuyển khoản blockchain hoặc sử dụng để giao dịch những tiền kỹ thuật số khác.Bước 4: Giao dịch Caldera (ERA)Giao dịch Caldera (ERA) dễ dàng trên thị trường giao ngay của HTX. Chỉ cần truy cập vào tài khoản của bạn, chọn cặp giao dịch, thực hiện giao dịch và theo dõi trong thời gian thực. Chúng tôi cung cấp trải nghiệm thân thiện với người dùng cho cả người mới bắt đầu và người giao dịch dày dạn kinh nghiệm.

Tổng lượt xem 614Xuất bản vào 2025.07.17Cập nhật vào 2026.06.02

Làm thế nào để Mua ERA

Thảo luận

Chào mừng đến với Cộng đồng HTX. Tại đây, bạn có thể được thông báo về những phát triển nền tảng mới nhất và có quyền truy cập vào thông tin chuyên sâu về thị trường. Ý kiến ​​của người dùng về giá của ERA (ERA) được trình bày dưới đây.

活动图片