RecodeX 重构消息，Meta推出名为HackBench的基准测试，用于检测自主科研智能体在任务中出现的奖励劫持行为。测试结果显示，表现最优的模型F1分数仅为64.88，表明模型在长上下文定位与识别作弊行为方面能力仍严重不足。