斯坦福发布 Terminal-Bench-Science 0.1：70 个真实科研工作流，Opus 5 只解 30%
科学家出题、可验证评分的连续基准上线。920 个提案里只留下 70 题；开源模型最好的 GLM-5.3 为 8.1%。
斯坦福大学牵头、Terminal-Bench 团队与全球科研人员合作的 Terminal-Bench-Science 0.1 发布。基准用科学家自己的工作流考 AI 智能体，覆盖生命、物理、地球、数学和工程科学共 70 题。920 个提案、464 个获准实现，最终只留下 70 题。
每个模型对每题跑 3 次。Claude Opus 5 + Claude Code 解出 30.0%，GPT-5.6 Sol + Codex 22.4%，Claude Fable 5 21.4%。开源最强是 GLM-5.3 的 8.1%，GPT-5.6 Luna 只有 3.3%。同一批模型在 Terminal-Bench 3.0 上的分数要高十几个百分点以上。
成本上 Opus 5 评完整套约 7000 美元；GPT-5.6 Sol 以约 4200 美元接近 Fable 5 的成绩，而 Fable 5 评测花了约 1.42 万美元。项目由 SAIL、Stanford HAI、IFML、Allen Institute 等托管，0.2 版 PR 截止日期是 2026 年 10 月 5 日。