Terminal-Bench-Science 0.1 发布 70 个跨学科科研任务
sanmikoyejo · x · 2026-08-28
Terminal-Bench-Science 0.1 包含 70 个任务，覆盖生命、物理、地球、数学和工程科学。每个任务都由研究人员将他们自己关心的实际工作流转化为具有挑战性的智能体任务。
所属事件:斯坦福发布 Terminal-Bench-Science，Opus 5 通过率仅 30%(19 条相关)→
「研究」频道最新
- 证明助手惊现 Collatz「证明」：LLM 找漏洞威胁数学正确性根基 — marc_lelarge · 2026-10-16
- Goodfire 研究员发长文:神经网络本就干净,可解释性前景比想象中好 — ctjlewis · 2026-10-16
- NEJM AI 研究:19 个 LLM 临床系统过度开检,提示词可压成本比至 1.4 倍 — dvir_a · 2026-10-16
- NEJM AI 研究：AI 开检查费是医生 3.2 倍，2/3 就诊医生零检查 — dvir_a · 2026-10-16
- 19 个模型评估：提示词可降低 LLM 过度检查成本，但代价是诊断一致性 — dvir_a · 2026-10-16
- 24 个 AI 系统开处方检查：平均 314 美元/次，是医生的 3.2 倍 — dvir_a · 2026-10-16