AutumnBench Public Benchmark
Notice bibliographique
Résumé
AutumnBench Dataset Release This dataset accompanies the paper “Benchmarking World-Model Learning with Environment-Level Queries.” It contains the benchmark release for AutumnBench, including task prompts, ground-truth answers, and environment programs used for evaluation. The release includes a `prompts/` folder containing the task prompts for each AutumnBench environment and challenge task. Files are named {env_name}_{task_name}.json, where task_name is one of mfp, cd, or planning. It also includes an `answers/` folder containing the ground-truth answers for each task. For mfp, each file gives the index of the correct answer option (0-indexed). For cd, each file gives the condition after which the change occurs. For planning, each file gives the optimal number of steps required to reach the target. The `programs/` folder contains the Autumn programs for the original environments, as well as the modified environments used in the change-detection task. The Autumn interpreter for running the programs is available in the GitHub repository: https://github.com/BasisResearch/Autumn.cpp. Finally, the release includes a shared `color_dict.yaml` file that maps numeric identifiers to color names. This release is intended to support reproducibility and further analysis of the AutumnBench benchmark described in “Benchmarking World-Model Learning with Environment-Level Queries.”
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,009 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,087 | 0,109 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».