基准

Terminal Bench Science

衡量AI模型独立科研能力的基准测试，用于评估模型在科学研究任务上的自主完成水平

时间轴 (近 90 天)

11月1日

GPT-6.1 Terra 在科研编程测试 Terminal Bench Science 上的得分超过定位更高的 Soul，比 Claude Opus 5.5 低不到 5 个百分点，而估算成本不到后者的五分之一。

待验证50%

10月29日

Gemini 4 Carbon 在 Vending Bench 长程任务基准测试中排名第一。

待验证50%

9月30日

在 Terminal Bench Science 最高推理强度下 Astra 以 68.1% 排名第一，官方建议最难科研任务继续使用 Astra

待验证50%

GPT-6.1 Terra 在科研编程测试 Terminal Bench Science 上的得分超过定位更高的 Soul，比 Claude Opus 5.5 低不到 5 个百分点，而估算成本不到后者的五分之一。

Gemini 4 Carbon 在 Vending Bench 长程任务基准测试中排名第一。

在 Terminal Bench Science 最高推理强度下 Astra 以 68.1% 排名第一，官方建议最难科研任务继续使用 Astra