Terminal-Bench-Science 0.1

简介

Terminal-Bench-Science 0.1 是由 Stanford 研究者与 Terminal-Bench 团队发布的科学研究智能体评测，包含 70 个由领域专家设计的终端任务，覆盖生命科学、物理科学、地球科学、数学科学与工程科学。每个模型与 Agent 组合在每道任务上运行 3 次。榜单成绩衡量包含指定 Agent 脚手架在内的完整系统，而不是脱离工具环境的纯模型能力。