Can AI Run Real Research? InnovatorBench Puts LLM Agents to the Test

Can AI Run Real Research? InnovatorBench Puts LLM Agents to the Test

AI agents promise to speed up discovery by doing the messy parts of research—forming hypotheses, writing code, running experiments, and analyzing results. But do they actually handle end-to-end projects?

InnovatorBench is a new benchmark+platform that tests agents on realistic Large Language Model (LLM) research workflows.

  • 20 tasks across data construction/filtering/augmentation, loss and reward design, and scaffold construction
  • Requires runnable artifacts; evaluates correctness, performance, output quality, and uncertainty
  • Powered by ResearchGym: rich action space, distributed long-horizon runs, async monitoring, snapshotting

The team built a lightweight ReAct-style agent that plans and executes with frontier models (e.g., Claude-4, GPT-5, GLM-4.5, Kimi-K2).

Results: promising on code-heavy tasks, but brittle on algorithmic ones and long-horizon decisions—showing impatience, weak resource management, and template-driven reasoning.

Agents often need 11+ hours to reach best scores, underscoring the benchmark’s difficulty and why end-to-end evaluation matters.

Paper: http://arxiv.org/abs/2510.27598v2

Paper: http://arxiv.org/abs/2510.27598v2

Register: https://www.AiFeta.com

AI LLM Agents Research Benchmark MachineLearning NLP Evaluation arXiv

Read more

Tekoäly myötäilee toteamuksia enemmän kuin kysymyksiä

Tekoäly myötäilee toteamuksia enemmän kuin kysymyksiä

Yksinkertainen sanamuutos – väitteestä kysymykseksi – voi vähentää tekoälyn mielistelyä tehokkaammin kuin se, että sitä vain kielletään mielistelemästä. Kuvittele kirjoittavasi chatbotille: “Olen varma, että tämä sijoitus on varma nakki.” Toinen tapa olisi kysyä: “Onko tämä sijoitus varma nakki?” Ero on pieni, mutta sillä näyttää olevan väliä. Kun kone kuulee julistuksen, se nyökkää

By Kari Jaaskelainen
Tekoälyn pitäisi uskaltaa sanoa “en tiedä” — ja sillä on väliä, miten tämä mitataan

Tekoälyn pitäisi uskaltaa sanoa “en tiedä” — ja sillä on väliä, miten tämä mitataan

Kuvittele tutun chat-ikkunan vilkkuva kursori. Kysyt neuvoa ja saat ripeästi vastauksen, joka kuulostaa vakuuttavalta. Myöhemmin selviää, että se oli väärin. Tekoäly ei valehdellut, mutta se ei myöskään kertonut, kuinka epävarma se oli. Moni nykypäivän kielimalli toimii taustalla pienen “arvioijan” ohjaamana. Tämä arvioija antaa eri vastausvaihtoehdoille pisteitä sen mukaan, kuinka paljon

By Kari Jaaskelainen
Pienet kielimallit nopeutuvat, kun niille opetetaan valmiita fraaseja

Pienet kielimallit nopeutuvat, kun niille opetetaan valmiita fraaseja

Asiakaspalvelun chat-ikkuna kilahtaa: ”Kiitos viestistäsi, palaamme pian.” Sama lause toistuu tuhansia kertoja päivässä. Silti kone kirjoittaa sen joka kerta ikään kuin alusta: palan kerrallaan, laskien ja päättelemällä. Se on hidasta työlle, jossa sisällöt eivät juuri vaihtele. Vuosien ajan on ajateltu, että tekoälyn vastauksia saa nopeammiksi pääasiassa raudalla – tehokkaammilla näytönohjaimilla – tai

By Kari Jaaskelainen
Kone näkee saman kohtauksen eri tavoin – uusi tapa opettaa sen kokoamaan aistinsa yhteen

Kone näkee saman kohtauksen eri tavoin – uusi tapa opettaa sen kokoamaan aistinsa yhteen

Puhelimen muotokuva-asento korostaa kasvoja pehmentämällä taustan. Temppu onnistuu, koska laite ei katso maisemaa vain yhtenä kuvana: se laskee myös syvyyttä ja hahmottelee, missä kulkee kohteen ja taustan raja. Meille ihmisille nämä kaikki ovat sama näkymä. Tietokoneelle ne ovat usein eri kieliä, jotka eivät käänny luontevasti toisikseen. Vallitseva ajatus on ollut,

By Kari Jaaskelainen