Terminal-Bench-Science 榜单发布:70 项科研任务仅两款模型过半
CurieuxExplorer · x · 2026-09-25
Artificial Analysis 推出 Terminal-Bench-Science 0.1 排行榜——面向科研工作的 agentic 基准。当前 GPT-6 Astra (max) 以 63%、Claude Opus 5.5 (xhigh) 以 62% 领跑,是仅有的两款过 50% 的模型;开源权重模型仍徘徊在 10% 左右。
- 基准由斯坦福 Steven Dillmann 与 Terminal-Bench 团队及全球开源社区于 2026 年 8 月发布
- 70 个专家精选任务,全部基于真实研究,覆盖五大领域:生命科学(19)、物理(17)、数学(17)、工程(9)、地球科学(8)
- 每个任务把 agent 放入带数据与工具的沙箱环境执行,类似 Terminal-Bench 的设定
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
- 开发者自建 git 网页应用被 Codex 安全护栏误判为网络安全风险 — brianmichel · 2026-11-11
- DeepSeek 开源编码 agent DSH 登上 HF Harness 榜，五项评测并列第一 — TheZachMueller · 2026-11-11
- 博主断言美国开源模型将凭盈利模式主导，但仍难追 Claude — marktenenholtz · 2026-11-11
- NVIDIA 发布开源 GR00T 2：真实灵巧手全自动完成化学实验 — EricBuess · 2026-11-11
- 降价反而更贵:新模型太爱自查，单任务成本涨31% — tengyanAI · 2026-11-11
- 美国数据厂商被指向中国军方关联企业出售RL环境数据 — xeophon · 2026-11-11