TerminalBench-Science 难度极高：模型分数大幅下降
BenBlaiszik · x · 2026-08-28
对比显示，相同模型在 Terminal-Bench 3.0 上得分显著更高（Fable 5: 83.8%），而 TerminalBench-Science (TBS) 将所有模型分数压低了 10 分以上。这种难度是针对最新前沿模型专门校准的。项目筛选门槛极高，从 920 个提案中仅选出 70 个任务，每个任务耗时不菲。
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