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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,121 | 0,021 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».