专题 · FULL STORY

斯坦福科学智能体基准发布，最强仅过三成

斯坦福联合多方发布 Terminal-Bench-Science 0.1 基准，将编程智能体评测范式扩展到科研任务。榜单随后上线 Artificial Analysis，GPT-6 Astra 与 Opus 5.5 领跑，但最强模型也仅解出约三成任务。

2026-09-23 ~ 2026-09-25 · 2 集 · 6 条

第 1 集 · 斯坦福发布科学智能体基准，最强模型仅解出三成(2026-09-23,2 条)

斯坦福团队联合全球科研机构发布 Terminal-Bench-Science 0.1，将 Terminal-Bench 对编程智能体的评测范式从软件工程扩展到科学研究领域。该基准包含 70 项科学任务，用于评估智能体在真实科研场景中的能力。结果显示最强模型仅能解决约 30% 的任务，表明科学智能体仍有很大提升空间。

第 2 集 · Terminal-Bench-Science 榜单上线 GPT-6 Astra 与 Opus 5.5 领跑(2026-09-25,4 条)

Artificial Analysis 上线 Terminal-Bench-Science 0.1 排行榜，这是由斯坦福研究者、Terminal-Bench 团队及开源社区共建、面向科研工作的 agentic 基准，包含 70 项科研任务。结果显示 OpenAI 的 GPT-6 Astra 与 Anthropic 的 Claude Opus 5.5 领先其他模型约 20 分，但目前仅这两款模型得分过半。测试还显示该基准能有效区分同一模型的不同推理档位：Opus 5.5 拉满推理算力后科学基准上涨 38 分，但成本贵 5 倍。