Terminal‑Bench‑Science：面向多科学领域研究工作流的AI智能体评测基准

这是由斯坦福牵头、持续迭代的社区项目，由 Terminal‑Bench 原团队联合全球多家科研机构的各领域科学专家共同搭建。v0.1 版本共包含70项任务，Claude Opus 5 的任务完成率仅约30%。

Terminal-Bench-Science 0.1 包含生命科学、物理科学、地球科学、数学科学和工程科学等领域的 70 个任务。每个任务都由一位研究人员贡献，他们将自己的工作流程移植为具有挑战性的代理任务，针对他们真正关心的问题

Terminal-Bench-Science 能够像 Terminal-Bench 3.0 一样区分前沿模型，同时将每个在两者上评估的模型的通过率降低了超过 10 个百分点

Opus 5：43% → 30%
GPT-5.6 Sol：34% → 22%
Fable 5：34% → 21%
Opus 4.8：21% → 11%
GPT-5.6 Terra：21% → 9%
GPT-5.6 Luna：14% → 3%

#人工智能 #大模型评测