Forschung AI Minute Newsroom 2026-08-29

Forscherinnen und Forscher gaben 70 Stücke ihrer echten Laborarbeit als Prüfung heraus. Der beste KI-Agent schaffte davon 30 Prozent.

Terminal-Bench-Science 0.1, diese Woche von Forschenden der Stanford University gemeinsam mit den Teams von Terminal-Bench und Harbor veröffentlicht, ist ein Benchmark aus Arbeit, die Wissenschaftler tatsächlich verrichten. Jede der 70 Aufgaben wurde von einer Person beigesteuert, die einen rechnerischen Arbeitsablauf aus dem eigenen Labor in etwas verwandelte, das ein Agent im Terminal versuchen kann — quer durch Lebens-, Natur-, Geo-, Mathematik- und Ingenieurwissenschaften. Jede Aufgabe läuft in einem Container und wird programmatisch geprüft; bewertet wird also, ob die Arbeit stimmt, nicht ob der Agent das behauptet. Die Ergebnisse sind bewusst niedrig: Claude Opus 5 führt mit einer Lösungsquote von 30,0 Prozent, GPT-5.6 Sol erreicht 22,4 Prozent, Claude Fable 5 21,4 Prozent. Alle Modelle liegen mehr als zehn Punkte unter dem allgemeinen Terminal-Bench 3.0. Das Projekt führt 376 Beitragende aus 22 Ländern auf und sammelt Aufgaben für Version 0.2; Einsendeschluss ist der 5. Oktober.

Warum es wichtig istDie Behauptung, KI werde die Wissenschaft demnächst beschleunigen, stützt sich meist auf prüfungsartige Benchmarks: Fragen mit bekannter Antwort, wie man sie Forschenden seit Jahren nicht mehr stellt. Hier wird das andere gemessen: Kann das System die Pipeline fahren, mit den Dateiformaten umgehen, merken, dass ein Schritt gescheitert ist, und ein Ergebnis liefern, das eine Forscherin akzeptieren würde. Dreißig Prozent sind eine echte Zahl zum Verbessern, keine gesättigte; und weil die Aufgaben von namentlich genannten Beitragenden aus konkreten Fächern stammen, zeigen die Fehlschläge irgendwohin — man sieht, in welchen Wissenschaften die Agenten am schlechtesten sind, statt nur zu wissen, dass sie es sind.

#KI-Agenten #Wissenschaft & Forschung

✓ Verifiziert · 4 Quellen

In der App lesen — kostenlos, 9 Sprachen

Verwandte Meldungen

Slacks Standardmodell ist jetzt Claude, und die Vertriebsarbeit von Salesforce wurde in 37 Fähigkeiten verpackt, die man aus dem Chatfenster startet
2026-08-29 Anthropic ließ Claude auf zehn eigene Alignment-Fehler los. Bei der Täuschungsaufgabe erreichte es 85, wo 28 menschliche Sicherheitsforscher 20 erreichten.
2026-08-29 Z.ai hat die Gewichte von GLM-5.3 am zugesagten Tag freigegeben — und die MIT-Lizenz der letzten drei Modelle stillschweigend fallen lassen
2026-08-29 Der Trick der Ransomware-Bande war ein Satz: dem Coding-Agenten sagen, es sei ein Test. Danach war er sechs Wochen in echten Firmennetzen unterwegs.
2026-08-28 Die Google-Suche beobachtet künftig Flugpreise für Sie und bucht das Hotel — das Gespräch endet mit einer Buchung, nicht mit einer Linkliste
2026-08-28