AcademiClaw: Когда студенты ставят задачи перед ИИ-агентами
AcademiClaw: When Students Set Challenges for AI Agents
May 4, 2026
Авторы: 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
Аннотация
Бенчмарки в экосистеме OpenClaw до сих пор оценивали исключительно задачи уровня ассистента, оставляя академические возможности OpenClaw в значительной степени неисследованными. Мы представляем AcademiClaw — двуязычный бенчмарк из 80 сложных, долгосрочных задач, взятых непосредственно из реальных академических рабочих процессов студентов университетов — домашних заданий, исследовательских проектов, конкурсов и личных проектов, — которые, по их словам, современные ИИ-агенты не могут эффективно решить. Отобранный из 230 кандидатур, предложенных студентами, в ходе строгого экспертного обзора, финальный набор задач охватывает более 25 профессиональных областей, от олимпиадных задач по математике и лингвистике до требовательных к GPU задач по обучению с подкреплением и отладки полнофункциональных систем, причем 16 задач требуют выполнения кода с использованием CUDA и GPU. Каждая задача выполняется в изолированном Docker-песочнице и оценивается по завершению с помощью многомерных критериев, объединяющих шесть взаимодополняющих методик, а независимый аудит безопасности по пяти категориям предоставляет дополнительный поведенческий анализ. Эксперименты с шестью передовыми моделями показывают, что даже лучшая из них достигает уровня успешного выполнения лишь в 55%. Дальнейший анализ выявляет резкие границы возможностей в различных предметных областях, divergent поведенческие стратегии среди моделей и разрыв между потреблением токенов и качеством выходных данных, предоставляя детальные диагностические сигналы, выходящие за рамки агрегированных метрик. Мы надеемся, что AcademiClaw вместе с его открытыми данными и кодом сможет стать полезным ресурсом для сообщества OpenClaw, способствуя прогрессу в создании агентов, которые являются более способными и универсальными в полном спектре реальных академических требований. Все данные и код доступны по адресу 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.