21:28
Stanford AI Lab@StanfordAILab
Stanford AI Lab@StanfordAILab推荐理由：斯坦福发布了科研AI代理基准Terminal-Bench-Science，Claude Opus 5仅完成30%，看看你的模型表现如何。
科学领域
共 2 条相关 AI 资讯
8月28日
21:28
Terminal-Bench-Science是一个评估AI代理在科研工作流表现的基准测试。该基准由斯坦福大学领导，v0.1版本包含70个任务。Claude Opus 5仅能解决约30%的任务。这是Terminal-Bench团队与全球科研机构科学领域专家共同开发的成果。
8月27日
10:18
10:18
官方账号arXiv cs.LG@Ye Shen, Yuting Zheng, Dun Pei, Zijian Chen, Wenlong Zhang, Qi Jia, Guangtao Zhai
推荐理由：SciMIF基准为评估MLLMs在科学领域的指令遵循能力提供了新工具，揭示了不同学科间的性能差异，对科学研究和MLLMs发展具有重要意义。