RecodeX 重构消息,一项名为Hillclimb的新基准测试要求AI智能体在48小时内改进真实的机器学习任务。该基准围绕15个源自研究的问题对智能体打分,并采用私有验证器判断其改动能否在智能体无法看到的数据上依然成立。