AI 代理在编程、办公等领域的表现已有不少评测，但科研工作流的复杂性远超常规任务。Terminal-Bench-Science 的出现，试图为这一领域建立新的标尺。
发生了什么
Terminal-Bench-Science 是一个新的评测基准，专注于评估 AI 代理在科研工作流中的能力。它基于终端环境，设计了一系列模拟真实科研任务的测试，涵盖文献检索、数据处理、实验设计等环节。该基准的发布，意味着 AI 代理的评测从通用任务向专业领域延伸。
为什么重要
科研工作流具有高度非结构化、依赖领域知识、且需要多步骤推理的特点。现有的 AI 评测（如代码生成、数学解题）往往聚焦于单一技能，难以反映科研场景的真实需求。随着 AI 代理被尝试用于辅助科研，缺乏针对性评测的问题日益突出。Terminal-Bench-Science 的推出，为开发者提供了更贴近实际的测试环境，有助于推动 AI 在科研领域的落地。
影响与看点
对于科研人员，这类基准可能预示 AI 助手将更深入地介入日常研究，从文献整理到实验分析。对于开发者，它提供了一个优化模型的方向：不仅要会写代码，还要能理解科研逻辑。值得关注的是，该基准如何平衡通用性与领域专业性，以及它能否被扩展至更多学科。一个独立判断是：科研评测的难度远超现有基准，其进展将直接反映 AI 推理能力的上限。
