**ExplorationBench：用可验证“异世界”评测 AI 的探索能力**

_ExplorationBench: Measuring AI Systems' Exploration in Verifiable Alien Worlds_

> 该研究提出 ExplorationBench，将科学探索能力的评测转化为可验证的“异世界”任务：其规则可执行、答案可精确校验，且与常见知识相冲突，从而避免模型仅靠预训练记忆作答。基准包含 AlienCode（31 个发现目标、70 项任务）与 AlienLogic（24 个发现目标、70 项任务）两个沙盒，各自提供有缺陷的手册、任务相关的环境反馈和专用工具调用接口。模型需通过探索掌握新规则，再解决留出任务。对 10 个 AI 系统的测试显示，最强系统能习得并应用陌生规则，但不同探索轨迹间表现差异显著，持续探索甚至可能停滞或逆转已有收益。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-25 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.30199)