语言模型端到端数据科学项目的迭代创建、评分与修改评估

一项研究评估了智能体 AI 模型端到端完成数据科学项目的能力及多轮反馈的效果，经过三轮反馈迭代后项目平均得分从 59% 提升至 76%。实验测试了来自 Anthropic、OpenAI、Google、DeepSeek 等机构的 7 款模型组成的 49 组写作与评分配对；结果显示模型给自己打分平均比其他模型高出约 9 个百分点，且较弱的模型通常无法帮助较强的模型提升。