Terminal-Bench-Science
PulseAugur coverage of Terminal-Bench-Science — every cluster mentioning Terminal-Bench-Science across labs, papers, and developer communities, ranked by signal.
- 2026-08-28 research_milestone A new benchmark, Terminal-Bench-Science, was released to evaluate AI agents on scientific research workflows. 来源
1 天有情绪数据
-
Anthropic 的 Claude Opus 5.5 在视频生成和基准测试中表现出色 · 跟踪 2 个来源
Anthropic 发布了 Claude Opus 5.5，该模型迅速获得了积极关注，尤其是在生成解释性视频方面的能力。该模型在 SimpleBench 和视觉评估等各种基准测试中表现强劲，被认为是 Anthropic 迄今为止最好的视觉模型。Opus 5.5 在 Terminal-Bench-Science 等基准测试中也展现出强大的推理能力，但建议用户管理推理成本以获得最佳结果。此次发布引发了与其他领先模型（如 GPT-6 和 G…
-
OpenAI 发布 GPT-6 Astra，Anthropic 发布 Claude Fable 5.1 并新增控制功能 · 跟踪 1 个来源
OpenAI 发布了 GPT-6 Astra，这是其一年多来的首次完整版本号升级。该公司声称该模型在计算机使用、浏览器使用和软件工程方面处于领先地位，其总裁暗示这可能代表着通用人工智能（AGI）。Anthropic 同时发布了 Claude Fable 5.1，该版本在基准测试性能方面有显著提升，并大幅降低了缓存输入的成本。两款新产品都引入了新的访问和输出控制：GPT-6 Astra 将分阶段推出，其高级网络功能最初将仅限于经过审查的…
-
Anthropic 削减 Fable 5.1 缓存成本，使代理 AI 更便宜 · 跟踪 2 个来源
Anthropic 发布了其最新的模型 Fable 5.1 和 Mythos 5.1，显著降低了缓存输入的定价，这是代理 AI 应用的关键因素。虽然标价保持不变，但缓存读取的成本下降了 75%，使得长时间运行的代理工作负载成本大幅降低。预计这一定价调整将使高度代理任务的实际成本降低高达 45%，从而可能推动对计算需求的增加。
-
Anthropic推出Claude Fable/Mythos 5.1，伴随价格下调和增强的自主性
Anthropic发布了其新的旗舰模型Claude Fable 5.1和Claude Mythos 5.1，将其定位为在编码和知识工作方面最先进的模型。在保持与前代模型相同的每token定价的同时，新模型在缓存读取方面实现了75%的价格大幅下调，尽管这被观察到的输出token使用量增加所抵消。早期分析表明，Fable 5.1和Mythos 5.1可能共享相同的底层权重，主要区别在于安全性和路由行为，重点是为企业用户启用自主、多步任务。
-
Anthropic推出Claude Fable 5.1，编码能力提升，成本降低 · 追踪10个来源
Anthropic发布了其最新的AI模型Claude Fable 5.1和Mythos 5.1，在编码和科学研究方面提供了改进的性能。Fable 5.1是通用版本，在Terminal-Bench-Science等基准测试中取得了显著的进步，并以其增强的编码能力而闻名。这两个模型都拥有100万个token的上下文窗口，并大幅降低了缓存数据的成本，使得复杂、代理任务的成本最高可降低45%。Mythos 5.1仅限于经过审查的组织用于特定的…
-
新基准测试智能体在 70 个科学研究工作流上的表现
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。