Terminal-Bench-Science1 篇实战文章

这周读到 TerminalBenchScience 0.1，评估 AI 代理在真实科研工作流里表现的基准。出处是斯坦福那帮人牵头，跟全球多学科专家一起搞的。我本来只想扫一眼谁排第一，结果读到任务筛选那部分走不动了。 70 个任务，是从 920 个提案里筛出来的。接受率约 7.6%。