**AutoResearch代理失败诊断:100项前沿科研任务的端到端评估**

_How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks_

> 研究团队提出AutoResearchEval,包含100项覆盖7个科学领域的真实前沿科研任务,涵盖从假设到发表的完整研究流程。通过评估8组模型组合的800条代理轨迹,构建了包含45种失败模式的ARFT分类法。研究发现当前AI代理的核心缺陷在于缺乏元认知循环——无法验证产出、修正错误并反思研究路径,该问题存在于模型层面而非编排框架。研究已公开评估框架与失败分类法。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-08-18 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2608.14905)