PulseAugur
中
实时 02:45:58
English(EN) Terminal-Bench-Science tests agents on 70 real scientific workflows. The leader resolves 30%; most systems score far lower. The useful lesson: scientific capabi

新基准测试智能体在 70 个科学研究工作流上的表现

作者 PulseAugur 编辑部 · [4 个来源] ·

一项新的基准测试 Terminal-Bench-Science 已发布，用于评估智能体在复杂科学研究任务上的表现。该基准由斯坦福大学的研究人员和全球领域专家团队开发，包含跨越多个科学学科的 70 项任务。在初始发布时，评估中最强的模型 Claude Opus-5 的解决率达到了 30%，这凸显了当前 AI 能力与真实科学工作流需求之间存在的巨大差距。 AI

影响 凸显了当前 AI 能力与真实科学研究需求之间的差距，强调了对能够生成经过验证的产物而非仅仅是解释的智能体的需求。

排序理由 发布了用于评估智能体在科学任务上表现的新基准测试。

在 Mastodon — mastodon.social 阅读 →

AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →

新基准测试智能体在 70 个科学研究工作流上的表现

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
发布了用于评估智能体在科学任务上表现的新基准测试。
Source corroboration
4 independent sources
Strong cross-source corroboration — multiple independent publishers covered this within the clustering window.
Topics
paper, product
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
50 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [4]

  1. Hacker News — AI stories ≥50 points TIER_1 English(EN) · matt_d ·

    Terminal-Bench-Science：评估AI代理在科学研究工作流中的表现

  2. Mastodon — mastodon.social TIER_1 English(EN) · k3jph ·

    Terminal-Bench-Science 在 70 个真实科学工作流上测试代理。领先者解决 30%；大多数系统得分远低于此。有用的经验教训：科学能力

    Terminal-Bench-Science tests agents on 70 real scientific workflows. The leader resolves 30%; most systems score far lower. The useful lesson: scientific capability is not fluent explanation. It is producing reproducible, validated artifacts while handling data, code, numerics, a…

    链接 terminal-bench-science.ai/announcement
  3. Mastodon — mastodon.social TIER_1 English(EN) · CuratedHackerNews ·

    Terminal-Bench-Science：在科学研究工作流上评估AI代理 https://www. terminal-bench-science.ai/anno uncement # ai # science

    Terminal-Bench-Science: Evaluating AI agents on scientific research workflows https://www. terminal-bench-science.ai/anno uncement # ai # science

    链接 terminal-bench-science.ai/announcement
  4. Mastodon — mastodon.social TIER_1 English(EN) · [email protected] ·

    Terminal-Bench-Science: 评估AI代理在科学研究工作流中的表现 https://www.terminal-bench-science.ai/announcement # HackerNews # Tech # AI

    Terminal-Bench-Science: Evaluating AI agents on scientific research workflows https://www.terminal-bench-science.ai/announcement # HackerNews # Tech # AI

    链接 terminal-bench-science.ai/announcement

相关实体

相关话题