我们提出了 TasteVal——一个用于评估前沿模型“科研品位”(research taste)的基准测试。我们将“科研品位”定义为:识别值得研究的科学问题、设计严谨实验、并合理解读实验结果的能力。TasteVal 专门衡量科研品位中的实验能力部分;在给定固定研究问题的前提下,它评估模型能否迭代式地自主设计实验,并基于实验结果得出有效结论。我们将实验层面的科研品位操作化为“计算效率”:若某位“研究者”(Researcher)仅需专家人类一半的串行实验计算量(serial experimental compute),即可达到与后者相同的得分,则其科研品位即为后者的两倍。因此,“实验品位”实质上是实验计算资源的放大系数(multiplier),从而成为预测人工智能发展进程的一项关键输入指标。
TasteVal 包含 8 项全新、高难度、开放式的任务,全面覆盖当前前沿人工智能研发(AI R&D)中的典型挑战。为将“科研品位”与编程能力解耦,我们在评测中将待测模型设定为“研究者”角色,由其迭代式地提出实验方案;而另一名固定不变的“编码员”(Coder)代理则负责具体实现这些实验,并向“研究者”反馈实验结果。“研究者”持续运行,直至耗尽以下任一预算上限:40 个 H100 GPU 小时,或 120 个真实挂钟小时(wall-clock hour)。
我们招募了 24 位人类专家参与评测,每个任务至少有 2 位专家独立完成;对每项任务,均以其中表现最优的一次尝试作为人类专家基线(expert baseline)。我们共评测了 2023 至 2026 年间发布的 20 款模型。其中表现最佳的模型 Opus 5.5 超越了人类专家基线,其计算效率倍率(compute multiplier)达 2.3 倍(95% 置信区间为 1.15–4.37),且单次运行成本仅为人类基线平均成本的约 1/30。
自 2025 年 12 月以来,前沿模型在 TasteVal 上的计算效率倍率大约每 3.0 个月翻一番(95% 置信区间为 1.7–5.0 个月),相较 2023 年至 2025 年 12 月期间的约每 14 个月翻一番,增速显著加快。若改用最终归一化性能(final normalized performance)这一指标来衡量,则前沿模型未出现趋势性跃变,仍保持约每 14.6 个月翻一番的稳定增长节奏。
为确保 TasteVal 的纯净性与评估效度,我们不对外公开任何测试任务。

