Stanford 发布 Terminal-Bench-Science：科研工作流 Agent 基准
BenBlaiszik · x · 2026-08-28
斯坦福主导的社区项目发布了 Terminal-Bench-Science，这是一个用于评估 AI 智能体在跨学科科研工作流中表现的新基准。
- 背景：由 Terminal-Bench 团队与全球科研机构专家合作构建。
- 规模：v0.1 版本包含 70 个任务。
- 表现：目前最强的 Claude Opus 5 也只能解决约 30% 的任务。
该基准旨在测试智能体处理实际科学研究流程（而不仅仅是回答问题）的能力。
所属事件:斯坦福发布 Terminal-Bench-Science，Opus 5 通过率仅 30%(19 条相关)→
「研究」频道最新
- DeepPhylo 用深度学习推断系统发育树，摆脱恒定突变率等强假设 — anshulkundaje · 2026-10-15
- Wander 预印本提出图基础模型:随机游走接口统一图预测任务 — mmbronstein · 2026-10-15
- CHI 审稿人观察:AI 垃圾论文泛滥,但好研究依然在出现 — IanArawjo · 2026-10-15
- CMU 基准测试:135 篇 AI 代理科研论文 114 篇未过诚信审查 — arankomatsuzaki · 2026-10-15
- 让 AI 真正从经验中学习:资深从业者给出 8 条不可妥协原则 — tokenbender · 2026-10-15
- Benchling 发布 Science Foundries：智能体蜂群重塑科研工作流 — nlarusstone · 2026-10-15