AstaBench: Строгое тестирование ИИ-агентов с помощью научно-исследовательского набора
AstaBench: Rigorous Benchmarking of AI Agents with a Scientific Research Suite
October 24, 2025
Авторы: Jonathan Bragg, Mike D'Arcy, Nishant Balepur, Dan Bareket, Bhavana Dalvi, Sergey Feldman, Dany Haddad, Jena D. Hwang, Peter Jansen, Varsha Kishore, Bodhisattwa Prasad Majumder, Aakanksha Naik, Sigal Rahamimov, Kyle Richardson, Amanpreet Singh, Harshit Surana, Aryeh Tiktinsky, Rosni Vasu, Guy Wiener, Chloe Anastasiades, Stefan Candra, Jason Dunkelberger, Dan Emery, Rob Evans, Malachi Hamada, Regan Huff, Rodney Kinney, Matt Latzke, Jaron Lochner, Ruben Lozano-Aguilera, Cecile Nguyen, Smita Rao, Amber Tanaka, Brooke Vlahos, Peter Clark, Doug Downey, Yoav Goldberg, Ashish Sabharwal, Daniel S. Weld
cs.AI
Аннотация
Искусственные интеллектуальные агенты обладают потенциалом для революционного повышения научной продуктивности за счет автоматизации обзоров литературы, воспроизведения экспериментов, анализа данных и даже предложения новых направлений исследований; действительно, сегодня существует множество таких агентов — от универсальных систем «глубокого исследования» до специализированных научных агентов, таких как AI Scientist и AIGS. Строгая оценка этих агентов критически важна для прогресса. Однако существующие бенчмарки имеют ряд недостатков: они (1) не предоставляют целостных, ориентированных на продукт метрик реальных сценариев использования, таких как научные исследования; (2) не включают воспроизводимые инструменты агентов, необходимые для контролируемого сравнения их базовых возможностей; (3) не учитывают смещающие переменные, такие как стоимость модели и доступ к инструментам; (4) не предлагают стандартизированные интерфейсы для быстрого прототипирования и оценки агентов; и (5) не содержат всеобъемлющих базовых агентов, необходимых для выявления реальных достижений. В ответ на это мы определяем принципы и инструментарий для более строгого тестирования агентов. Используя их, мы представляем AstaBench — набор, который предоставляет первую целостную меру способности агентов выполнять научные исследования, включающую 2400+ задач, охватывающих весь процесс научного открытия и различные научные области, а также множество задач, вдохновленных реальными запросами пользователей к развернутым агентам Asta. Наш набор сопровождается первой научно-исследовательской средой с производственными инструментами поиска, которые обеспечивают контролируемую и воспроизводимую оценку, лучше учитывая смещающие факторы. Параллельно мы предоставляем комплексный набор из девяти научно-оптимизированных классов агентов Asta и многочисленные базовые линии. Наше масштабное тестирование 57 агентов across 22 классов выявило несколько интересных результатов, наиболее важным из которых является то, что, несмотря на значительный прогресс в отдельных аспектах, ИИ все еще далек от решения задачи научно-исследовательской помощи.
English
AI agents hold the potential to revolutionize scientific productivity by
automating literature reviews, replicating experiments, analyzing data, and
even proposing new directions of inquiry; indeed, there are now many such
agents, ranging from general-purpose "deep research" systems to specialized
science-specific agents, such as AI Scientist and AIGS. Rigorous evaluation of
these agents is critical for progress. Yet existing benchmarks fall short on
several fronts: they (1) fail to provide holistic, product-informed measures of
real-world use cases such as science research; (2) lack reproducible agent
tools necessary for a controlled comparison of core agentic capabilities; (3)
do not account for confounding variables such as model cost and tool access;
(4) do not provide standardized interfaces for quick agent prototyping and
evaluation; and (5) lack comprehensive baseline agents necessary to identify
true advances. In response, we define principles and tooling for more
rigorously benchmarking agents. Using these, we present AstaBench, a suite that
provides the first holistic measure of agentic ability to perform scientific
research, comprising 2400+ problems spanning the entire scientific discovery
process and multiple scientific domains, and including many problems inspired
by actual user requests to deployed Asta agents. Our suite comes with the first
scientific research environment with production-grade search tools that enable
controlled, reproducible evaluation, better accounting for confounders.
Alongside, we provide a comprehensive suite of nine science-optimized classes
of Asta agents and numerous baselines. Our extensive evaluation of 57 agents
across 22 agent classes reveals several interesting findings, most importantly
that despite meaningful progress on certain individual aspects, AI remains far
from solving the challenge of science research assistance.