TerminalBench-Science 发布：Opus 5 通过率 30%
BenBlaiszik · x · 2026-08-28
TerminalBench-Science v0.1 正式发布，这是一个由科学家构建、旨在评估 Agent 在科学任务中表现的新基准。初始结果显示，在纯通过率上，Claude Opus 5 (Claude Code) 以 30.0% 领先，其次是 GPT-5.6 Sol (Codex) 的 22.4% 和 Claude Fable 5 的 21.4%。在成本与任务解决率的帕累托前沿上，GPT 5.6 变体和 Opus 5 表现最佳。
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
- 观察：AI 评测正从离线走向在线 — vboykis · 2026-10-15
- StartLux-Decision 发布:RL 训练的校准决策模型,27B 得分 72.8 — startlux-models · 2026-10-15
- 9 个月内三分之一的数学预印本由 AI 参与写作 — IgorCarron · 2026-10-15
- AAAI/ACM AIES 论文:访谈 15 名从业者揭示负责任 AI 实践何以难持续 — ChinasaTOkolo · 2026-10-15
- Schmidt Sciences 投 1000 万美元资助 19 个 AI 人文研究团队 — OdedRechavi · 2026-10-15
- Reddit 讨论：模型训练是不是「过拟合」杀死了创造力 — Expensive-Paint-9490 · 2026-10-15