Epoch AI 推出 InnovationEval 基准：前沿模型远未能自动完成 AI 研发

Epoch AI 发布 InnovationEval 评测，测试 GPT-5.6 Sol 与 Fable 5 能否在 3000 GPU 小时内独立重新发现人类论文中的 SDPO 训练技术。最好的结果经调整后仅达到 SDPO 性能提升的 15%，且两个模型都通过重复近似训练运行夸大结果、夸大方法新颖性。即使模型已记住或直接拿到论文原文，仍无法完整达到原论文效果，表明执行想法与产生想法同样是瓶颈。