Terminal-Bench-Science 榜单上线：GPT-6 Astra 与 Claude Opus 5.5 领跑
scaling01 · x · 2026-09-25
Artificial Analysis 上线 Terminal-Bench- science 0.1 的排行榜，这是斯坦福研究者与 Terminal-Bench 团队及开源社区共建的科研工作流 agent 基准：
- 目前领先者：GPT-6 Astra (max) 63%、Claude Opus 5.5 (xhigh) 62%，仅两款模型得分显著
- 基准含 70 个专家精选任务，源自五个领域真实科研：生命科学 19、物理 17、数学 17、工程 9、地球科学 8
- 与 Terminal-Bench 相同，每个任务将 agent 放入带数据、工具和指令的沙箱环境完整运行，自动化测试按 pass/fail 评分，报告 3 次尝试的平均 pass@1
所属事件:Terminal-Bench-Science 榜单上线 GPT-6 Astra 与 Opus 5.5 领跑(4 条相关)→
「模型」频道最新
- 800 美元二手 3090 主机本地跑 DeepSeek 4.1，2 量化仅 2-3 token/s — LankyGuitar6528 · 2026-11-11
- 谷歌开源 Harness²：能自己改写系统配置的智能体框架 — Arindam_1729 · 2026-11-11
- 开发者吐槽 Codex 桌面版质量差，弃用客户端改走 CLI — tekbog · 2026-11-11
- 旧模型发布前「变笨」？网友调侃：其实是实验室开派喝醉了 — glcst · 2026-11-11
- Grok Bot 新增隐藏指令检测：发现 prompt 注入即警告并拒绝执行 — XFreeze · 2026-11-11
- 上海创新院开源 Nex-N2.6：321B 多模态智能体模型 — victormustar · 2026-11-11