**AutoLab: 前沿模型能解决长程自动化研究和工程任务吗？**

_AutoLab: Can Frontier Models Solve Long-Horizon Auto Research and Engineering Tasks?_

> AutoLab 是一个新的基准测试，用于评估前沿模型在长程闭环优化中的能力。它包含36个专家策划的任务，涵盖系统优化、谜题挑战、模型开发和CUDA内核优化。评估17个最先进模型后发现，成功的关键在于持续迭代和纳入实证反馈，而非初始尝试的质量。claude-opus-4.6表现突出，但多数模型要么过早终止，要么进展甚微。该基准已开源，旨在推动真正能干长程代理的研究。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.05080)