# 斯坦福发布 Terminal-Bench-Science：让科学家出题考 AI，目前最强模型正确率仅 30%

> 原标题：Terminal-Bench-Science: Evaluating AI agents on scientific research workflows

- 来源：Hacker News 首页
- 发布时间：2026-08-28T00:06:51.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/53257
- 原文：https://www.terminal-bench-science.ai/announcement

## 摘要

斯坦福团队搞了个新基准 Terminal-Bench-Science 0.1，专门测 AI 能不能干真实的科研活儿。题目不是教科书习题，而是由一线科学家从自己研究里抽出来的工作流程，覆盖生命科学、物理、地球科学、数学和工程。第一版从 920 个提案里只筛出 70 个任务，淘汰率很高，因为既要科学上有意思，又得难住现在的模型，还得能客观打分。

## 推荐理由

斯坦福团队发布 Terminal-Bench-Science 0.1，任务由一线科学家从自身研究中提炼，920 个提案仅筛出 70 个，覆盖五个学科，当前最强模型正确率约 30%。

## 锐评

30% 这个数我信，题是科学家从自己研究里抽的，教科书习题蒙不出来。920 个提案只留 70 个，出题人自己也知道大部分任务模型能过，剩下这 70 个是真卡住的。样本量确实小，五个学科分下来一个方向十来个任务，跑分波动会很大，当排行榜看没意义。当筛子用挺合适，谁家 agent 敢在这上面报分，比在 SWE-bench 上刷到 70% 有说服力。我暂时不拿它做选型依据，先看有没有人把失败案例放出来。
