Terminal-Bench Science 上开源模型惨淡：最佳仅 4/70 分
teortaxesTex · x · 2026-09-12
Vals AI 上线 Terminal-Bench Science：由科研人员编写并审校的 70 道研究工作流任务，涵盖信号重建到模型校准，测试 AI 能否真正做科研。首批成绩差距悬殊：GPT 5.6 Luna 得 4/70 居首，DeepSeek V4.1、GLM-5.3、Grok 4.6 并列 3/70，Kimi K3 得 2/70，Qwen 3.8 Max 与 37B 仅 1/70，GLM 5.3-Flash 两版为 0/70。发帖人认为 OpenAI 已内部爬山优化此类任务，Anthropic 进展居中，Google 与 Meta 刚起步。
「模型」频道最新
- Open TTS 榜单新增 14 种语言，LFM3-Audio-2B 等新模型上榜 — realmrfakename · 2026-10-31
- 用户吐槽 Linux 版 Codex 应用像没人管的养子,体验糟糕 — eigenron · 2026-10-31
- Kimi 支持俄罗斯 Mir 卡直接付款，订阅 Pro 无需中介 — teortaxesTex · 2026-10-31
- Nat Lambert：开源模型或是维系 AI 生态的关键粘合剂 — natolambert · 2026-10-31
- Gemini 4 Carbon 登顶 APEX-Agents 榜首,唯一均值破 90% 的模型 — Swarooprm7 · 2026-10-31
- Sarvam 为印度开发本地推理版 opencode,遭网友吐槽「本地」定义 — kingslyj · 2026-10-31