MLS-Bench Lite编程

MLS-Bench 的官方 30 任务子集，评估 Agent 发现可泛化、可扩展机器学习方法的能力。MLS-Bench Lite 是 MLS-Bench 的官方 30 任务子集，评估 AI 系统能否发现可泛化、可扩展的机器学习方法。覆盖 LLM 预训练与后训练、机器人、世界模型、计算机视觉、强化学习、优化、机器学习系统和 AI for Science 等方向，Agent 有 5 小时探索时间后提交方案。

排行数据源

#模型得分

1

Claude Fable 5Anthropic

49.9%

2

Kimi K3月之暗面

48.3%

3

GPT-5.6 SolOpenAI

46.2%

4

Claude Opus 4.8Anthropic

42.8%

5

Qwen3.8-2.4T-A95B阿里巴巴

41.0%

6

Qwen3.8-Max阿里巴巴

41.0%

7

GLM-5.2智谱AI

40.4%

8

GPT-5.5OpenAI

35.5%

9

Kimi-K2.7-Code月之暗面

35.1%

10

Qwen3.7-Max阿里巴巴

31.7%

共 11 个模型

返回基准目录