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The research team didn't have AI grind through outdated coding problems.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

Thị trường mã hóa còn ai mua không? Giải mã 3 tâm lý chờ đợi phổ biến hiện nay

Tác giả nhận thấy nhiều nhà đầu tư, kể cả những người ủng hộ tiền mã hóa nhiệt thành, hiện đang giữ thái độ thận trọng. Họ thường tập trung vào một số ít tài sản như BTC, trong khi giảm dần vị thế ở các đồng tiền khác và chờ đợi mức giá thấp hơn (ví dụ: BTC về 50,000 USD). Mối quan tâm chính là cơ hội đầu tư vào cổ phiếu AI đang tăng trưởng mạnh, khiến việc phân bổ vốn vào tiền mã hóa có vẻ kém hấp dẫn hơn. Bài viết phân tích ba tâm lý phổ biến: 1. **Hài lòng với danh mục hiện có:** Niềm tin dài hạn vào tài sản số vẫn còn, nhưng họ thiếu động lực ngắn hạn để tăng vốn. Sự thay đổi có thể đến từ một chất xúc tác mới hoặc luân chuyển vốn từ các danh mục khác. 2. **Chờ giá thấp hơn:** Phản ánh kỳ vọng về biến động giá hoặc niềm tin vào tiềm năng tăng trưởng chưa đủ lớn. Tâm lý này có thể thay đổi nếu chu kỳ thị trường dự đoán qua đi mà không có sự sụt giảm lớn, hoặc nếu có sự kiện làm tăng kỳ vọng (ví dụ: quốc gia mua vào). 3. **Chi phí cơ hội:** Trong bối cảnh các cơ hội đầu tư vào AI có vẻ hứa hẹn hơn, thật khó để biện minh cho việc đặt cược vào tài sản số nếu không kỳ vọng tốc độ tăng trưởng vượt trội. Một đợt giảm tốc trong cơn sốt AI có thể tạo điểm đảo chiều và dòng vốn quay trở lại. Kết luận, tác giả cho rằng thị trường có khả năng đang gần đáy hơn là đỉnh. Bài viết cung cấp một cái nhìn chân thực về tâm lý nhà đầu tư hiện tại, nơi niềm tin dài hạn vẫn tồn tại nhưng bị lu mờ bởi sự thận trọng và những lựa chọn thay thế hấp dẫn khác.

marsbit7 phút trước

Thị trường mã hóa còn ai mua không? Giải mã 3 tâm lý chờ đợi phổ biến hiện nay

marsbit7 phút trước

Trung Quốc có thêm 67 kỳ lân trong nửa năm, AI và robot chiếm hơn một nửa

Theo báo cáo từ IT桔子, nửa đầu năm 2026, Trung Quốc chào đón 67 kỳ lân mới với tổng định giá 1829 tỷ USD, đánh dấu sự phục hồi mạnh mẽ sau giai đoạn điều chỉnh. Số lượng này cao nhất trong vòng 5 năm, trung bình mỗi 3 ngày có một kỳ lân ra đời. AI và robot là hai động lực chính, chiếm hơn 53% tổng số, với 17 công ty AI và 19 công ty robot. Trong đó, DeepSeek (615.38 tỷ USD) và Kling AI (180 tỷ USD) dẫn đầu về định giá. Các lĩnh vực bán dẫn, lượng tử cũng có những kỳ lân mới. Về địa lý, các công ty tập trung cao ở Bắc Kinh (19), Thượng Hải (18), Thâm Quyến (9) và Hàng Châu (5), chiếm 76.1%. Mặc dù Hàng Châu chỉ có 5 công ty, nhưng nhờ DeepSeek, tổng định giá của thành phố này lên tới 682 tỷ USD. Cấu trúc định giá có hình kim tự tháp: 77.6% kỳ lân mới có định giá từ 10-20 tỷ USD. Tốc độ phát triển có hai cực: các công ty AI/robot thường thành lập và đạt định giá kỳ lân nhanh (34.3% trong vòng 3 năm), thậm chí có công ty như Bula Ge chỉ mất 1 tháng; trong khi các công ty công nghệ hạt nhân như bán dẫn, dược phẩm sinh học cần thời gian dài hơn (trên 8 năm) để đạt được cột mốc này. Báo cáo chỉ ra xu hướng dịch chuyển từ tiêu dùng internet sang công nghệ cứng. Tuy nhiên, sự tập trung cao vào AI/robot và tốc độ định giá nhanh cũng tiềm ẩn rủi ro về bong bóng và thử thách trong việc hiện thực hóa kỳ vọng thương mại.

marsbit48 phút trước

Trung Quốc có thêm 67 kỳ lân trong nửa năm, AI và robot chiếm hơn một nửa

marsbit48 phút trước

Aave V4 vượt mốc 250 triệu USD – Nhưng vẫn tồn tại MỘT thách thức về thanh khoản

Aave V4 đã đạt cột mốc quan trọng với tổng tiền gửi vượt 250 triệu USD, cho thấy sức hút mạnh mẽ của cơ sở hạ tầng cho vay được nâng cấp trong môi trường DeFi đầy thách thức. Sự tăng trưởng này được thúc đẩy bởi hiệu quả vốn, thông số rủi ro được cải thiện và nhiều lựa chọn cho vay hơn. Tuy nhiên, một phần đáng kể khoản tiền gửi đến từ việc người dùng chuyển vị thế từ V3 sang, không phải hoàn toàn là vốn mới. Để củng cố vị thế nhà cung cấp thanh khoản hàng đầu, Aave cần thu hút dòng vốn mới ròng liên tục. Bức tranh thanh khoản tổng thể phức tạp hơn. Tổng giá trị bị khóa (TVL) của Aave, từng đạt đỉnh 13,4 triệu ETH, đã giảm mạnh và hiện phục hồi một phần lên khoảng 7,4 triệu ETH. Việc rút tiền vẫn đang lấn át một phần dòng vốn mới vào V4, hạn chế mức tăng trưởng tổng thể. Một điểm sáng là tiền gửu cbETH trên Aave đã tăng mạnh, từ mức 18-20 triệu USD trong tháng 5 lên khoảng 70 triệu USD vào đầu tháng 7, phản ánh nhu cầu gia tăng đối với tài sản thế chấp staking thanh khoản và củng cố năng lực cho vay của giao thức. Tương lai mở rộng của hệ sinh thái Aave sẽ phụ thuộc vào khả năng duy trì dòng vốn mới ròng tích cực theo thời gian.

ambcrypto1 giờ trước

Aave V4 vượt mốc 250 triệu USD – Nhưng vẫn tồn tại MỘT thách thức về thanh khoản

ambcrypto1 giờ trước

Khả năng thông qua giảm xuống dưới 50%: Đạo luật Clarity năm nay không còn hy vọng?

Dự luật Clarity, nhằm thiết lập khung quy định liên bang toàn diện đầu tiên cho thị trường tài sản số Mỹ, đang đối mặt với nguy cơ không được thông qua trong năm nay. Mục tiêu ký kết vào ngày 4/7 đã thất bại và thời gian làm việc hiệu quả trước kỳ nghỉ hè của Quốc hội vào tháng 8 chỉ còn khoảng ba tuần. Dự luật đã vượt qua Ủy ban Ngân hàng Thượng viện hồi tháng 5, nhưng vẫn bị tắc nghẽn do ba bất đồng chính chưa được giải quyết: quy định về thu nhập từ stablecoin, quyền miễn trừ trách nhiệm cho nhà phát triển DeFi và các chi tiết về thực thi pháp luật cùng đạo đức. Các cuộc đàm phán bí mật về vấn đề đạo đức đã tan vỡ vào đầu tháng 6. Một yếu tố tích cực là Hiệp hội Cảnh sát trưởng Hoa Kỳ (MCSA) đã chuyển từ phản đối sang lập trường trung lập đối với dự luật sau khi một số lo ngại về điều khoản giới hạn trách nhiệm cho nhà phát triển giao thức phi tập trung (Điều 604) được giải quyết. Theo dữ liệu từ Polymarket, xác suất dự luật được ký thành luật trong năm 2026 hiện chỉ là 49%. Các nhà phân tích cho rằng nếu được thông qua, dự luật sẽ thúc đẩy các tổ chức tài chính truyền thống tham gia mạnh mẽ hơn vào không gian tiền số. Ngược lại, sự chậm trễ sẽ kéo dài tình trạng thiếu chắc chắn về quy định. Văn bản cuối cùng dự kiến sẽ được công bố sớm, và các cuộc đàm phán trong vài tuần tới sẽ quyết định số phận của dự luật quan trọng này.

Foresight News2 giờ trước

Khả năng thông qua giảm xuống dưới 50%: Đạo luật Clarity năm nay không còn hy vọng?

Foresight News2 giờ 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