Stanford 发布 Terminal-Bench-Science 基准
AlexGDimakis · x · 2026-09-02
Stanford 团队联合全球科研机构发布 Terminal-Bench-Science v0.1，包含 70 个任务，用于评估 AI Agent 在各学科科研工作流中的表现。测试显示 Claude Opus 5 仅解决约 30% 任务。
「编程与Agent」频道最新
- 开发者反馈 Claude Code 表现突增：响应更积极，写作能力提升 — ivan_bezdomny · 2026-09-02
- Foldkit 0.155 发布：统一 SSR 构建命令与优化交互控制 — samgoodwin89 · 2026-09-02
- Google SRE 作者向 SREGym 提交 PR 修复资源稳定性 — tianyin_xu · 2026-09-02
- 为 Alchemy 添加 Cloudflare 原生追踪层 — samgoodwin89 · 2026-09-02
- Shopify 开源 Tangle，0.8B 模型微调版超 GPT-5.6 — kieranklaassen · 2026-09-02
- Qwen 推理过程出现诡异拒答与自我指令 — wombweed · 2026-09-02