斯坦福发布科研工作流基准，Claude 仅解 30%
BenBlaiszik · x · 2026-08-28
斯坦福主导的社区项目 Terminal-Bench-Science (v0.1) 正式发布，这是一个评估 AI 智能体在生命、物理、数学等领域科研工作流能力的基准。目前包含 70 个基于真实计算流程的任务，并经过多阶段专家审查。测试显示，即使是 Claude Opus 5 也仅能解决约 30% 的任务。
所属事件:斯坦福发布 Terminal-Bench-Science，Opus 5 通过率仅 30%(19 条相关)→
「编程与Agent」频道最新
- Self Labs 推出 Agent Vault，让智能体安全登录并刷信用卡 — EXM7777 · 2026-10-16
- AI 数据搜索工具 XERJ 登顶 GitHub Trending,宣称比 grep 省 40 倍 token — alexcovo_eth · 2026-10-16
- Plane Agents：触发器才是把聊天机器人变成工作流 Agent 的关键 — JosephJacks_ · 2026-10-16
- Claude 工程负责人写教程：教你用 AI 敢想敢做更宏伟的事 — danshipper · 2026-10-16
- Qwen Code Desktop v0.25.2 发布：managed-agent 稳定性与 MCP 配置修复 — github-actions[bot] · 2026-10-16
- NVIDIA 7 门 AI Agent 课程免费开放，2026 年不必花钱报班 — ifioknkem · 2026-10-16