ExplorationBench：造几个外星世界，让代理没法靠记忆作弊

所有科研代理基准都有同一个窟窿：代理答对了，到底是发现的，还是背出来的？ExplorationBench（arXiv 2609.30199）的补法，是让知识根本没法背。它构造了一批「外星世界」，规则可以执行，所以每个答案都能精确核对；规则又故意和常识相冲突，所以靠回忆反而会答错。

两个沙箱。AlienCode 有 31 个待发现目标、70 道题；AlienLogic 有 24 个目标、70 道题。每个沙箱给代理一本有错的说明书、针对任务的环境反馈和一套专门的工具调用格式。代理先探索、提假设、做实验，再用自己摸出来的东西去解留出的题。一共测了十个 AI 系统。

最强的几个系统确实能学会陌生规则并用起来，这是好消息。警告在结果的后半段：不同轨迹之间表现波动很大，而且继续探索可能停滞，甚至把已经取得的进展倒退回去。多走几步并不稳定地等于多学到东西。有时候代理是把一个正确的理解给「探索」没了。

第二个发现才是值得随身带着的那条。多数自主研究循环都默认，跑得久一点最坏也就是浪费算力。这篇说跑得久可能主动破坏已经学到的东西，和本周那几篇自我纠错、记忆论文放在一起看，让人不太舒服。大家会伸手去拿的解法是：给信念打检查点，覆盖之前先拿它测一测。那本「有错的说明书」的设计也值得照抄：真实世界的文档本来就会错，一个盲信文档的代理就该拿低分。