基准Terminal-Bench Science

Terminal-Bench Science

Terminal-Bench 的科学任务变体，评估模型在科学计算相关终端操作中的能力。

时间轴 (近 90 天)

10月13日

Vals AI 采用侧重真实产品化场景与 agentic 任务的基准，包含 CUA-bench、Code Migration、Terminal-Bench Science、SRE Bench 等长链基准。

待验证50%

9月4日

Claude 5.1在Terminal-Bench Science上得分52.6%，相比上一代的24.7%实现翻倍以上跃升

待验证60%

Claude 5.1在Terminal-Bench Science上得分52.6%，相比上一代的24.7%实现翻倍以上跃升

Vals AI 采用侧重真实产品化场景与 agentic 任务的基准，包含 CUA-bench、Code Migration、Terminal-Bench Science、SRE Bench 等长链基准。