Terminal-Bench-Science 发布：评估 AI 科学研究能力的基准
WeijiaShi2 · x · 2026-08-29
斯坦福主导的 Terminal-Bench 社区发布了 Terminal-Bench-Science，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。
- 背景：由 Terminal-Bench 团队与全球科研机构专家合作构建，旨在测试智能体处理科研任务的能力。
- 数据：v0.1 版本包含 70 个任务，目前 Claude Opus 5 仅能解决约 30% 的任务。
- 意义：该基准填补了 AI 在科学工作流领域评测的空白，为衡量 Agent 在科研场景的实际水平提供了新标准。
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