決定成敗的不是第一次解法多聰明，是願不願意重跑第 47 次：一份耗時 2544 小時的新評測揭露了什麼

2026 年 6 月，一組跨機構研究團隊發布了名為 AutoLab 的新評測，専門測試前沿模型能不能像真正的研究人員一樣，花數小時甚至十幾個小時，持續對一份程式碼進行「觀察、修改、跑實驗、看結果、再修改」的反覆循環——而不是像多數現有評測那樣，只看模型能不能一次答對一道題。這份評測的結論，跟多數人對「哪個模型最聰明」的直覺印象並不一致：真正拉開模型之間差距的，不是誰的第一次嘗試解法多優雅，而是誰願意在被打槍 46 次之後，還持續進行第 47 次修改。為什麼需要一份全新的評測——現有的評測在測什麼，沒測什麼研究團隊指出，現有的前沿模型評測大致分成兩類：一類是像 LiveCodeBench 這樣的靜態單輪評測，測試模型知不知道怎麼寫程式碼，但整個互動只有一輪；另一類是像 SWE-bench...