Einsia AI 发布 AI4AI-Bench 基准，测试 AI 能否设计更优算法
用真实研究仓库测试 AI 智能体能否设计出更优算法，当前最强模型也远未触及理论上限。
AI4AI-Bench 是 Einsia AI 发布的新基准，用来测试 AI 智能体能否改进 AI 算法本身。它让智能体在 10 个真实研究仓库中探索 4 小时，再独立重跑验证改动是否真的优于原算法。结果显示，Claude Opus 5 表现最强，但大多任务离理论最优仍有明显距离。
正文摘录
.jpg) 导读 AI 能否改进 AI 自己？ AI 已经会写 AI、训练 AI、优化 AI 系统；下一个里程碑，是 AI 能不能开始「设计 AI」。 对于今天的 Coding Agent 来说，它能介入的改进大致有三层： 系统工程解决算子、并行和通信，最终受硬件上限约束；数据工程改进配比、合成和清洗，受高质量信息供给限制；而算法设计改变的是目标函数、更新规则和训练流程本身。 这一层最特殊， 一个更好的算法改变的是：在同样的数据和算力下，究竟能换来多少能力。 Adam、DPO、GRPO 这样的进步一旦出现，就能持续影响之后的一代代模型。 所以，如果 Recursive Self-Improvement 真要形成闭环，关键问题就是： 「今天的 Agent，已经能开始设计更好的 AI 算法了吗？」 Einsia AI 旗下 Navers Lab 最新发布的 AI4AI-Bench ，盯上的正是这个问题，该 Benchmark 在 X 发布 7 小时后获得 110 万次浏览，引起了 2956 条相关讨论并登上 X 的 Today News。