斯坦福发布科研基准 TBS，Opus 5 通过率仅30%

斯坦福主导的 Terminal-Bench 团队联合全球多所顶尖高校发布 Terminal-Bench-Science (TBS) v0.1，一个评估 AI 智能体跨学科科研工作流能力的新基准。当前最强模型 Claude Opus 5 通过率仅 30.0%，显示前沿模型与真正的科研自动化之间仍有巨大差距，该基准为追踪科学工作流自动化进展提供了新标尺。

已确认

• v0.1 包含 70 个任务，覆盖生命科学、物理、数学、工程和地球科学，基于真实计算流程构建，并经多阶段专家审查
• 综合通过率上 Claude Opus 5 (Claude Code) 以 30.0% 领先 GPT-5.6 Sol；分领域看，数学领域 GPT-5.6 Sol 以 31.4% 胜出
• 任务从 920 个提案中筛选出 70 个，每个任务需经过领域评审员、技术评审员和 Bar Raiser（标准把关人）三层评审，作者估计单个任务构建耗时超过 80 小时
• 与 Terminal-Bench 3.0 相比，TBS 在区分前沿模型方面效果相当，但将所有模型通过率拉低超过 10 个百分点（如 Opus 5 从 43% 降至 30%；相同模型在 Terminal-Bench 3.0 上得分显著更高，如 Fable 5 达 83.8%），难度针对最新前沿模型专门校准
• 参与共建的机构包括斯坦福、MIT、普林斯顿、清华、北大、牛津、剑桥等，项目由 Terminal-Bench 和 Harbor Framework 团队主导；还拥有庞大的评审团队、科学顾问与来自各大 AI 实验室的 AI 研究顾问，并公开致谢
• 项目定位：填补科研能力测量空白，通过测试智能体在多学科科研工作流中的表现，追踪实现“十年百年进步”所需的前提能力（BenBlaiszik 转述相关评论观点）

为什么重要

• 加速科学工作流被视为推动人类发展的最大杠杆，此前缺少专门测量该能力的基准，TBS 为社区提供了可追踪的标尺
• 难度针对最新前沿模型校准且区分度与既有基准相当，能有效衡量未来模型的科研能力进展
• 任务由全球研究人员经公开评审流程贡献，严苛筛选保证了基准质量与抗饱和能力

2026-08-28 ~ 2026-08-28 · 14 条相关

• Stanford 发布 Terminal-Bench-Science：科研工作流 Agent 基准 — BenBlaiszik · 2026-08-28
• TerminalBench-Science 发布：Opus 5 通过率 30% — BenBlaiszik · 2026-08-28
• 【源头】TerminalBench-Science 严苛筛选：920 提案仅 70 入选 — BenBlaiszik · 2026-08-28
• TerminalBench-Science 难度极高：模型分数大幅下降 — BenBlaiszik · 2026-08-28
• 【源头】TerminalBench-Science v0.1：Opus 5 综合领先 — BenBlaiszik · 2026-08-28
• TerminalBench-Science 感谢庞大评审与顾问团队 — BenBlaiszik · 2026-08-28
• Terminal-Bench-Science 旨在填补科研能力测量空白 — BenBlaiszik · 2026-08-28
• 斯坦福发布科研工作流基准，Claude 仅解 30% — BenBlaiszik · 2026-08-28
• Terminal-Bench-Science 0.1 发布 70 个跨学科科研任务 — sanmikoyejo · 2026-08-28
• 920 项提案仅 70 项入选 Terminal-Bench-Science — sanmikoyejo · 2026-08-28
• 【源头】Terminal-Bench-Science 使所有模型通过率降超10% — sanmikoyejo · 2026-08-28
• Terminal-Bench 汇聚全球顶尖高校科学家共建 — sanmikoyejo · 2026-08-28
• Terminal-Bench-Science 发布:Claude Opus 5 仅解约 30% 科研任务 — BenBlaiszik · 2026-08-28
• Terminal-Bench-Science：科学终端能力评测基准发布 — BenBlaiszik · 2026-08-28