**WhatWorkedBench：衡量 AI 智能体的实验理解能力**

_WhatWorkedBench: Benchmarking Experimental Understanding in AI Agents_

> 研究团队提出 WhatWorkedBench，用于评测 AI 研究智能体的“实验理解”能力，即经过有限实验预算后，对组件改动如何影响结果的预测准确度。智能体需检查代码、选择测量方式，并提交一张响应曲面表，预测各组件配置组合的得分；基准通过穷举 CPU 执行给出固定其他组件时的参考效应。数据集覆盖 30 个数据源、8 类工作流和 36 项任务，共 1248 条配置记录，核心评测包含 4206 条数值控制记录与 108 个智能体回合。结果显示：在 8 次新测量下，pair-effect ridge 在 22 个数据源中的 15 个上选出最优配置；用高斯过程拟合智能体观测可将效应恢复率从 0.632 提升至 0.698（原 Flash 队列），并在另一队列从 0.621 提升至 0.720；在 6 个完成的节拍检测与图任务提交上，同一观测高斯过程将族宏恢复率从 0.303 提升至 0.455；在含 6 个二元选项、20 次新测量的工作流中，编码等价配置可将 GP 恢复率从 0.248 提升至 0.462。该基准可支持实验型智能体、自适应实验设计、数值推理与程序结构利用等研究。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-24 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.27490)