AutoDataBench：智能体能否写出驱动自我改进循环的数据？

针对数据生产依赖人工、现有评测只看训练后效果的问题，研究者提出 AutoDataBench，要求智能体根据原始基准任务和模型尝试记录，写出在有效性、新颖性、难度和行为覆盖上符合数据管线验收标准的新任务。在三个可执行智能体任务基准上，默认 45 分钟预算内没有智能体得分超过 20 分（满分 100）；给最强智能体四倍时间后得分大幅提升，而单个可用任务的成本几乎不变。