TerminalBench-Science 严苛筛选：920 提案仅 70 入选
BenBlaiszik · x · 2026-08-28
TerminalBench-Science 对任务设置了极高门槛，从 920 个提案中最终筛选出 70 个任务进入 v0.1。每个任务都经历了领域审查、技术审查和最终的高难度测试，作者估计单个任务构建耗时超过 80 小时。这种严苛的筛选旨在确保基准能真正挑战顶尖模型。
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
- RLVR 微调致解空间坍缩，加入 replay 缓冲可保多样性并提升 pass@8 — manoelribeiro · 2026-10-15
- ModeBench 揭示 RLVR 让 LLM 只会一种解法，Re:Max 训练法可保解法多样性 — manoelribeiro · 2026-10-15
- NYU 团队推出 SCOOP：用策略协调循环让 LLM 学会真正探索 — jaseweston · 2026-10-15
- Google WeatherNext 助 NHC 预报飓风 Isaias，提前 3 天锁定路径误差 60 公里内 — PeterWBattaglia · 2026-10-15
- MIT 用简单局部突触规则让神经网络自建学习机制 — ChuckDBrooks · 2026-10-15
- 中科大提出 VASPO:自蒸馏结合特权价值估计改进 PPO 推理 — ustc-community · 2026-10-15