终端科学：评估科学研究工作流程中的人工智能代理

Terminal-Bench-Science 根据研究人员自己的工作流程评估人工智能代理。

为人工智能科学能力设定标准的是科学家，而不是模型开发人员或数据供应商。

Terminal-Bench-Science 是由研究人员领导的基准 斯坦福大学 由背后的团队打造 终端长凳 与合作 来自一系列科学学科和研究机构的领域专家 世界各地。

它通过一系列具有挑战性的、专家策划的、源自科学研究的工作流程来衡量人工智能代理的能力。

终端科学是一个持续的基准，与前沿人工智能一起发展，在科学需求和人工智能发展之间建立反馈循环。

我们的第一个版本包括 70 项任务

🔗 原始来源

如果你要核对细节，可以再看原文： Hacker News AI原文链接