学术开源 / 固定快照
Terminal-Bench-Science
科研 Agent 的‘真科研考试’。 让 Agent 在终端完成完整科研任务，并检查生成的代码、分析、模拟、证明和数据产物。
- 收录日期
- 2026-09-18
- 类别
- 数据与评测
- 状态
- 往期精选
为何收录
将真实科研环境、正确 artifact 和失败后恢复作为科研 Agent 的评估标准。
学术开源 / 固定快照
科研 Agent 的‘真科研考试’。 让 Agent 在终端完成完整科研任务，并检查生成的代码、分析、模拟、证明和数据产物。
将真实科研环境、正确 artifact 和失败后恢复作为科研 Agent 的评估标准。