主要来源Artificial Analysis
查看原文事件专题 ·多源确认
Artificial Analysis 推出 Terminal-Bench-Science 0.1 智能体科研基准榜单
Artificial Analysis 上线 Terminal-Bench-Science 0.1 排行榜，该基准由 Stanford 的 Steven Dillmann 与 Terminal-Bench 团队等合作构建，包含 70 个专家整理的真实科研任务。任务覆盖生命科学、物理科学、数学科学、工程科学和地球科学五个领域，智能体在沙盒环境中独立完成并按 pass@1 评分。GPT-6 Astra (max) 以 63% 排名第一，Claude Opus 5.5 (xhigh) 以 62% 紧随其后，是仅有的两个超过 50% 的模型。Claude Opus 5.5 (xhigh) 在数学科学任务上通过率 71%，但生命科学只有 46%。开源权重模型差距明显：GLM-5.3 (max) 得分 10%，DeepSeek V4.1 Flash (max) 得分 9%，落后头部模型超过 50 分。
当前结论
Stanford 联合 Terminal-Bench 团队搞了个科研智能体榜单，70 个真实科研任务里 GPT-6 Astra 拿 63% 排第一，开源模型才 10%，差距很直观。
11 个信源73° AI 热度最后更新 2026/9/24 23:30:55
证据链
11 个信源冲突核查
现有去重数据只说明这些来源讨论同一事件，不代表立场相同。当前没有结构化的支持或反驳证据，不自动推断冲突。