PaperBench : évaluer la capacité des agents IA à reproduire la recherche en IA

OpenAI présente PaperBench, un benchmark qui évalue la capacité des agents IA à reproduire de la recherche de pointe en IA. Le benchmark mesure la reproduction d'articles de recherche de pointe par les agents, sans préciser les scores obtenus ni les modèles évalués.