Automating and Scaling Behavioral Scientific Research on AI Agents

AEROBAT 自动完成假设生成、受控实验、行为评估、统计分析和报告撰写，扩展了代理行为科学的实验吞吐。针对 12 种行为，它生成 79 个假设、设计 1240 个实验并跑完 23512 轮模拟，其中 26 个假设得到中到强统计证据；这也把实验设计偏差带来的风险推到了系统前端。