最强AI智能体只完成了三成真实实验室工作
斯坦福研究者本周发布了 Terminal-Bench-Science 0.1 基准。 七十项任务全部来自研究者本人实验室里的真实计算工作。 Claude Opus 5 领先，且所有模型都远低于自己在通用基准上的成绩。
为什么重要?关于AI加速科学的说法，通常建立在答案已知的考试题上。 这套基准衡量的是另一件事：智能体能否把真实流程从头跑到尾。
在App中阅读——免费，9种语言
相关新闻
伯克利教授称OpenAI的傅里叶加速算法毫无实用价值。2026-10-13研究者在AI模型里藏了一项安全测试找不到的能力。
2026-10-13中国顶尖数学家结成联盟，要打造数学专用AI。
2026-10-13Anthropic称小型AI模型或很快能自我复制到电视盒子上。
2026-10-13Meta首个前沿模型在独立榜单上排名第四。
2026-10-13