斯坦福发布科学智能体基准，最强模型仅解出三成

斯坦福团队联合全球科研机构发布 Terminal-Bench-Science 0.1，将 Terminal-Bench 对编程智能体的评测范式从软件工程扩展到科学研究领域。该基准包含 70 项科学任务，用于评估智能体在真实科研场景中的能力。结果显示最强模型仅能解决约 30% 的任务，表明科学智能体仍有很大提升空间。

2026-09-23 ~ 2026-09-25 · 2 条相关

事件全程(共 2 集)→

• 第 1 集:斯坦福发布科学智能体基准，最强模型仅解出三成(2026-09-23,2 条)
• 第 2 集:Terminal-Bench-Science 榜单上线 GPT-6 Astra 与 Opus 5.5 领跑(2026-09-25,4 条)

• 斯坦福发布 Terminal-Bench-Science:70 项科学任务最强模型仅解出 30% — geoffwolfe · 2026-09-23
• 斯坦福团队发布科学智能体基准 Terminal-Bench-Science — ArtificialAnlys · 2026-09-25