斯坦福发布科研智能体基准 TB-Science，Claude Opus 5 仅过 30%
ajratner · x · 2026-08-28
斯坦福牵头发布 Terminal-Bench-Science：评估 AI 智能体在物理、生命、地球、数学等科学领域真实计算工作流上表现的基准，由 Terminal-Bench 团队与全球科研机构领域专家共建。
v0.1 包含 70 个任务，当前最强的 Claude Opus 5 仅解决约 30%，对前沿模型相当难。任务源自真实科研计算流程，经多阶段专家评审把关。Snorkel AI 通过 Open Benchmarks Grants 计划参与合作，Laude Institute、Harbor 等团队参与建设。
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
- 实测称编码 Agent 成功率一半靠运气:各模型随机性达 32%-52% — micahgoldblum · 2026-10-15
- 发推晒 agent 免提示词生成的每日情绪打卡小应用 — alifcoder · 2026-10-15
- Cloudflare 一夜 $10,811 账单：退款靠运气，刹车得自己装 — sujingshen · 2026-10-15
- Hermes Agent 自行为独居爷爷搭建本地家庭安防系统 — NousResearch · 2026-10-15
- Ben Tossell 播客:非技术人如何用 Agent 上线生产代码 — msg · 2026-10-15
- decomp.dev 关停:新一代模型让反编译匹配从数年缩到数天 — banteg · 2026-10-15