Terminal-Bench-Science 0.1 基准测试由斯坦福大学研究人员主导发布，由斯坦福大学与 Laude Institute 主持，并与斯坦福 AI 实验室（SAIL）、斯坦福 HAI、艾伦研究所及艾伦人工智能研究所（Ai2）等机构合作 。这是一个用于评估 AI 代理在科学研究工作流中能力的持续性基准测…