Terminal-Bench-Science：AI科研能力新基准

当AI走进实验室：一个新基准的诞生

AI智能体在软件工程领域已经取得了长足进步，但它们在科学研究中的表现究竟如何？2026年8月27日，一个名为 Terminal-Bench-Science 的新基准正式发布，试图回答这个问题。

该基准由斯坦福大学的研究人员主导，联合Terminal-Bench原班团队以及来自全球多个科研机构和学科领域的专家共同构建。它的核心理念是：科学能力的标尺应由科学家来设定，而非模型开发者或数据供应商。

为什么需要新的科学基准？

研究团队在公告中阐述了三个关键动因：

基准必须来自真实科研实践

科学能力的评估不应基于教科书习题或标准化考试，而应基于真实的科研工作流。Terminal-Bench-Science的任务全部由一线科研人员贡献，涵盖他们日常工作中遇到的真实问题。这为不同领域的科学家提供了一个直接发声的平台，让他们能够为自己关心的问题设定AI能力的门槛。

需要可验证的能力证据

如果没有可靠的评估手段，人们就无法判断AI智能体的能力是否在提升，也无法明确其局限所在。Terminal-Bench-Science在真实环境中评估智能体，并对分析报告、模拟结果、证明、代码和数据产品等具体产出进行可复现的任务专属测试。

基准必须跟上前沿步伐

科学基准常常被当作一篇论文来发表，发布一次便被搁置，即便模型不断进步、已知局限依然存在。Terminal-Bench-Science定位为持续演进的基准，通过定期发布新版本，科学家可以贡献新工作流、改进已有任务，在科研需求与AI发展之间形成反馈闭环。

首版成绩单：最强模型仅解决三成

Terminal-Bench-Science 0.1包含 70项任务，覆盖生命科学、物理科学、地球科学、数学和工程学五大领域。任务类型包括科学数据分析、统计推断、模拟、优化、定理证明和图像重建等。

在首批评估中，Claude Opus 5（搭配Claude Code）以30.0%的解决率位居榜首，成为表现最强的模型。其余模型的表现依次为：

• GPT-5.6 Sol（Codex）：22.4%
• Claude Fable 5（Claude Code）：21.4%
• Claude Opus 4.8（Claude Code）：10.5%
• GPT-5.6 Terra（Codex）：8.6%
• GLM 5.3（Claude Code）：8.1%
• Kimi K3（Claude Code）：7.1%
• Grok 4.6（Grok Build）：7.1%
• GPT-5.6 Luna（Codex）：3.3%

即便是最强模型，也仅能完成不到三分之一的任务。这一结果清晰表明，当前AI智能体在真实科研工作流中的能力仍然有限，距离成为可靠的科研助手还有很长的路要走。

愿景：让科学家专注于人类判断

研究团队的目标并非取代科学家，而是打造有用的科研助手。他们希望AI智能体能够执行技术上复杂且耗时的工作流，从而让科学家将更多时间投入到最需要人类判断的环节：提出研究问题、形成假设、解读与验证结果，以及传播研究发现。

在这一角色定位下，AI智能体有望扩展研究人员的能力边界，加速科学发现。而要实现这一目标，就需要能够反映真实科研实践、提供可验证能力证据、并与AI前沿同步演进的基准——这正是Terminal-Bench-Science试图填补的空白。