TasteVal 基准发布：评估 AI 模型的科研实验品味

研究团队推出基准测试 TasteVal，通过 8 项前沿 AI 研发任务评估模型迭代设计实验与得出结论的能力，并将其量化为相对人类专家的算力效率。测试将实验设计与代码实现分离，由固定的编码智能体在单张 H100 上执行；结果显示 Opus 5.5 达到人类专家基准 2.30x 的算力效率，单次尝试成本约为专家的 1/30。