TruthInsightBench: An Evidence-Grounded Benchmark for Automated Evaluation of Open-Ended Scientific Discovery Agents
TruthInsightBench：面向开放式科学发现智能体的证据基准评估
🧭 Agent 科学发现评估基准
TruthInsight-AI
提出区分复现与发现的基准，用固定 LLM 裁判评估智能体声明的证据成熟度，揭示瓶颈在科学判断而非编码
📌 工作参考价值（4 点）
- 在评估推荐/广告 Agent 时，引入“盲任务”设计：只给中性业务目标（如“提升点击率”）和冻结历史数据，隐藏已知最优策略，考察 Agent 能否自主提出可验证的假设和实验方案，而不是复现预设的优化流程。
- 借鉴其“声明-证据成熟度”的 6 维度/29 项检查表，为推荐 Agent 输出建立证据审计清单：是否包含对照组设计、鲁棒性检查（不同时间段/人群分片）、可证伪性（明确什么结果会否定假设）、跨数据集/场景泛化验证等，量化决策质量。
- 采用固定 LLM judge + 确定性聚合实现自动化评估，降低人工标注成本，支持 Agent 自我迭代。具体实现：将 Agent 产出拆解为可核验 artifact（图表、统计结果、实验设计），让 LLM 对每个证据项打分，再用规则聚合，避免 LLM 主观偏差。
- 结论“瓶颈在科学判断而非编码”提示：在推荐系统中引入 Agent 时，应优先加强推理、实验设计和因果推断模块，而非只提升代码生成能力，可接入因果推断工具或 A/B 测试模拟器。