BenchLeader

Terminal-Bench Science 排行榜

截至 2026年11月16日,Terminal-Bench Science 的最高分为 62.9%,由 GPT-6 Astra(OpenAI)取得,领先于 Claude Fable 5.2(55.7%)。共有 45 个模型配置公布了结果(Vals AI,结果日期 2026年11月9日)。由科学家编写的多步骤研究工作流,从数据处理到分析,由智能体在 shell 中完成。Terminal-Bench Science 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • GPT-6 Astra 以 62.9% 保持 Terminal-Bench Science 最高分(Vals AI,2026年11月9日)。
  • Claude Fable 5.2 以 55.7% 位列 Terminal-Bench Science 第二(Vals AI,2026年11月9日)。
  • Terminal-Bench Science:由专家编写、在终端中完成的科学研究工作流。由 Vals AI 运行(Vals AI)。
  • BenchLeader 上有 45 个模型配置公布了 Terminal-Bench Science 结果(BenchLeader,2026年11月16日)。
  • Terminal-Bench Science 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

由专家编写、在终端中完成的科学研究工作流。由 Vals AI 运行。

发布方
Vals AI
类别
智能体与工具
Index 权重
仅作参考
模型
45
数据截至
2026年11月16日

Vals AI (vals.ai).

测试内容

由科学家编写的多步骤研究工作流,从数据处理到分析,由智能体在 shell 中完成。

评分方式

完成的工作流百分比,由 Vals AI 运行。

注意事项

领域知识和工具都很重要;测量过的模型很少。

45 / 45
#
1GPT-6 Astramax62.9%67.3$20.802026-11-09
2新Claude Fable 5.2high55.7%68.4$23.142026-11-09
3GPT-6.1 Solmax52.9%66.6$3.442026-11-09
4Claude Opus 5.5max47.1%68.4$19.122026-11-09
5Claude Sonnet 5.5max47.1%64.2$19.572026-11-09
6Gemini 4 Argonhigh44.3%65.3$44.902026-11-09
7Claude Fable 5.1max40.0%66.7$38.012026-11-09
8Muse Wonder Fullmax37.1%61.7$22.812026-11-09
9Kimi K3.1 Promax31.4%59.9$8.582026-11-09
10GPT-6 Solmax30.0%62.6$5.822026-11-09
11Claude Opus 5max27.1%65.0$32.542026-11-09
12Muse Wondermax22.9%60.8$19.612026-11-09
13GPT-5.6 Solmax20.0%65.3$7.322026-11-09
14Claude Fable 5max15.7%65.1$51.992026-11-09
15Qwen3.8 Maxmax12.9%58.7$16.682026-11-09
16Grok 4.6high11.4%60.6$4.822026-11-09
17Muse Spark 1.3max10.0%60.6$6.092026-11-09
18GPT-5.6 Terramax10.0%59.5$5.192026-11-09
19Grok 4.7xhigh10.0%57.4$17.042026-11-09
20Claude Haiku 5.5max10.0%55.3$4.522026-11-09
21Gemini 3.8 Flashhigh8.6%59.4$5.642026-11-09
22Gemini 3.7 Flashhigh7.1%62.1$7.192026-11-09
23Gemini 3.5 Flashhigh5.7%62.5$3.802026-11-09
24GLM 5.3max5.7%58.8$15.632026-11-09
25Claude Sonnet 5max5.7%56.1$30.302026-11-09
26Ember-15.7%–$30.762026-11-09
27Claude Opus 4.8max4.3%61.1$23.142026-11-09
28Gemini 3.6 Flashhigh4.3%61.0$4.392026-11-09
29Muse Spark 1.3xhigh4.3%58.1$4.412026-11-09
30DeepSeek V4 Flashhigh4.3%57.2$1.102026-11-09
31GPT-6 Lunamax4.3%55.1$0.2412026-11-09
32MiMo-V2.6-Flash4.3%54.8$0.2442026-11-09
33DeepSeek V4 Promax4.3%54.7$4.632026-11-09
34Inkling 2 Small2.9%57.9$5.552026-11-09
35MiMo-V2.6-Pro2.9%57.5$0.6212026-11-09
36Step 5 Preview2.9%56.0$4.252026-11-09
37GLM 5.3 Flashmax2.9%52.4$0.5242026-11-09
38Gemini 3.1 Prohigh1.4%60.4$5.912026-11-09
39Kimi K3max1.4%60.2$21.302026-11-09
40Hy41.4%56.7$2.142026-11-09
41Beam 1.01.4%45.9–2026-11-09
42DeepSeek V4.1 Flashmax0.0%58.5$0.4732026-11-09
43GPT-5.6 Lunamax0.0%56.2$0.5812026-11-09
44Qwen3.8 27Bxhigh0.0%52.2$11.142026-11-09
45Mercury 2.5high0.0%–$0.1782026-11-09

更多智能体与工具基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《Terminal-Bench Science 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/vals_terminal_bench_science。

Terminal-Bench Science:常见问题

Terminal-Bench Science 衡量的是什么?
由科学家编写的多步骤研究工作流,从数据处理到分析,由智能体在 shell 中完成。分数以完成任务的百分比表示,越高越好。
Terminal-Bench Science 的最高分是多少?
截至 2026年11月16日,Terminal-Bench Science 的最高分为 62.9%,由 GPT-6 Astra 取得(结果日期 2026年11月9日),领先于 Claude Fable 5.2(55.7%)。分数来自 Vals AI,每天重新读取。
哪个 AI 模型在 Terminal-Bench Science 上领先?
截至 2026年11月16日,Terminal-Bench Science 排名第一的是 GPT-6 Astra,分数为 62.9%(结果日期 2026年11月9日)。其后为 Claude Fable 5.2(55.7%)。
有多少模型有 Terminal-Bench Science 结果?
BenchLeader 上有 45 个模型配置有 Terminal-Bench Science 结果,全部取自 Vals AI。
Terminal-Bench Science 由谁运行,多久更新一次?
Terminal-Bench Science 由 Vals AI 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
Terminal-Bench Science 是否计入 BenchLeader Index?
不计入。Terminal-Bench Science 仅作参考展示,不计入综合分数。