AcademiClaw: Wanneer Studenten Uitdagingen Stellen voor AI-agenten
AcademiClaw: When Students Set Challenges for AI Agents
May 4, 2026
Auteurs: Junjie Yu, Pengrui Lu, Weiye Si, Hongliang Lu, Jiabao Wu, Kaiwen Tao, Kun Wang, Lingyu Yang, Qiran Zhang, Xiuting Guo, Xuanyu Wang, Yang Wang, Yanjie Wang, Yi Yang, Zijian Hu, Ziyi Yang, Zonghan Zhou, Binghao Qiang, Borui Zhang, Chenning Li, Enchang Zhang, Feifan Chen, Feng Jian, Fengyin Sun, Hao Qiu, Hao Zheng, Haoran Zhu, Hongyu Liu, Jianbin Deng, Jiaxin Song, Jiaying Chi, Jiayou Shi, Jie Fang, Jinghui Zhong, Jingyu Zhou, Jinze Li, Junfeng Yi, Junyan Yu, Junzhi Xue, Ni Song, Pengyi Chen, Qi Chen, Quansheng Li, Rui Tao, Shenghai Gong, Shenhang Lu, Tianqi Shen, Tianxiang Zhu, Tiehan Kang, Tingyu Li, Wendi Wu, Xiao Shen, Xiao Zhou, Xiaotao Zhang, Xinrong Li, Xuankun Yang, Xun Zhang, Yan Li, Ye Lu, Yi Wang, Yibo Zhou, Yichi Zhang, Yihao Sun, Yijun Huang, Yixin Zhu, Yixuan Wu, Yuchen Sun, Yue Wu, Yuheng Sun, Yukun Li, Yutian Tu, Yuxuan Qin, Yuzhuo Wu, Zeyu Li, Zhengyu Lou, Zhenning Ran, Zizhu He, Pengfei Liu
cs.AI
Samenvatting
Benchmarks binnen het OpenClaw-ecosysteem hebben tot dusver uitsluitend assistent-niveau taken geëvalueerd, waardoor de academische capaciteiten van OpenClaw grotendeels ononderzoek zijn gebleven. Wij introduceren AcademiClaw, een tweetalige benchmark bestaande uit 80 complexe, langetermijntaken die rechtstreeks afkomstig zijn uit de werkelijke academische workflows van universiteitsstudenten – huiswerk, onderzoeksprojecten, competities en persoonlijke projecten – die volgens hen niet effectief konden worden opgelost door huidige AI-agenten. De definitieve takenreeks, gecureerd uit 230 door studenten ingediende kandidaten via een rigoureuze expertreview, beslaat meer dan 25 professionele domeinen, variërend van olympiade-niveau wiskunde en taalkundige problemen tot GPU-intensieve reinforcement learning en full-stack systeemdebugging, waarbij 16 taken CUDA GPU-uitvoering vereisen. Elke taak wordt uitgevoerd in een geïsoleerde Docker-sandbox en wordt beoordeeld op taakvoltooiing aan de hand van multidimensionale rubrics die zes complementaire technieken combineren, met een onafhankelijke veiligheidsaudit in vijf categorieën voor aanvullend gedragsanalyse. Experimenten met zes frontier-modellen tonen aan dat zelfs het beste model slechts een slagingspercentage van 55\% behaalt. Verdere analyse onthult scherpe capaciteitsgrenzen tussen taakdomeinen, uiteenlopende gedragsstrategieën tussen modellen en een kloof tussen tokenverbruik en outputkwaliteit, wat fijnmazige diagnostische signalen oplevert die verder gaan wat aggregatemetrieken onthullen. Wij hopen dat AcademiClaw en zijn open-source data en code een nuttige bron kunnen zijn voor de OpenClaw-gemeenschap, en vooruitgang kunnen stimuleren naar agenten die capabeler en veelzijdiger zijn in de volledige breedte van reële academische eisen. Alle data en code zijn beschikbaar op https://github.com/GAIR-NLP/AcademiClaw.
English
Benchmarks within the OpenClaw ecosystem have thus far evaluated exclusively assistant-level tasks, leaving the academic-level capabilities of OpenClaw largely unexamined. We introduce AcademiClaw, a bilingual benchmark of 80 complex, long-horizon tasks sourced directly from university students' real academic workflows -- homework, research projects, competitions, and personal projects -- that they found current AI agents unable to solve effectively. Curated from 230 student-submitted candidates through rigorous expert review, the final task set spans 25+ professional domains, ranging from olympiad-level mathematics and linguistics problems to GPU-intensive reinforcement learning and full-stack system debugging, with 16 tasks requiring CUDA GPU execution. Each task executes in an isolated Docker sandbox and is scored on task completion by multi-dimensional rubrics combining six complementary techniques, with an independent five-category safety audit providing additional behavioral analysis. Experiments on six frontier models show that even the best achieves only a 55\% pass rate. Further analysis uncovers sharp capability boundaries across task domains, divergent behavioral strategies among models, and a disconnect between token consumption and output quality, providing fine-grained diagnostic signals beyond what aggregate metrics reveal. We hope that AcademiClaw and its open-sourced data and code can serve as a useful resource for the OpenClaw community, driving progress toward agents that are more capable and versatile across the full breadth of real-world academic demands. All data and code are available at https://github.com/GAIR-NLP/AcademiClaw.