斯坦福发布Terminal-Bench-Science评测，Claude仅解30%
BenBlaiszik · x · 2026-08-28
斯坦福团队发布了 Terminal-Bench-Science v0.1，这是一个用于评估 AI 智能体在跨学科科研工作流中表现的基准。该基准由 Terminal-Bench 团队与全球科研机构专家共同构建，包含 70 个任务。初步测试显示，即便是能力最强的 Claude Opus 5 也仅解决了约 30% 的任务。评论指出，构建优秀的评测基准极具挑战性，不仅需要防止过度游戏化，还需具备实际指导意义。
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