模型与 Benchmark板块首页
怎么读
怎么给 benchmark 分类一个分数能信到哪一步:真值噪声、简单基线、泄漏与饱和协议索引:113 条协议按谁判对错分组方法与数据:分类口径、收录与停更标准、已知局限
模型与数据
模型索引:112 个模型按领域分组模型 × benchmark 配对矩阵训练数据从哪来:公开库、私有授权、自产 wet lab 与…benchmark 的规模、更新与 wet lab 数据
Benchmark:理解状态(表征与排序)
02 ProteinGym09 scIB11 ClinVar hold-out protocol13 CAGI16 GUE + Nucleotide Transform…17 CAFA21 DREAM5 / BEELINE / CausalB…26 FLIP / FLIP234 AbBiBench37 TraitGym38 BEND39 RNAGym45 DART-Eval49 NTv3 Benchmark67 VenusX
Benchmark:预测给定对象的结果
01 CASP03 MoleculeNet04 TDC05 PoseBusters06 CASF-201615 CAMEO22 CAPRI24 虚拟细胞挑战赛与扰动预测评测25 RNA-Puzzles27 Polaris / ASAP / OpenADMET30 PLINDER / PINDER / Runs N'…31 FoldBench33 PoseX35 FLAb / FLAb243 Ginkgo GDPa146 FEP 相对结合自由能基准47 PoseBench / DockGen51 OpenADMET 盲测系列52 Biogen ADME53 UNICORNE-BENCH54 OMol25 + FAIR Chemistry 榜单55 PDBbind-CleanSplit / LP-PD…57 CatPred-DB66 MassSpecGym
Benchmark:提出候选(生成与设计)
19 PMO20 CACHE28 Adaptyv competitions / Ben…36 AIntibody40 MotifBench50 蛋白 motif scaffolding 基准56 Protein Engineering Tourna…
Benchmark:多步分析与问答(agent)
14 PubMedQA18 LAB-Bench / LABBench223 BioASQ29 BixBench42 BioMysteryBench58 ChemBench59 LifeSciBench60 Terminal-Bench-Science61 BiomniBench / Biomni-Eval162 HeurekaBench63 scBench64 ScienceAgentBench65 SciReasoner / Biology-Inst…68 BioDesignBench
Benchmark:已停更
07 USPTO family08 Basenji/Enformer test set10 GuacaMol12 DUD-E / LIT-PCBA32 CrossDocked202041 BioML-bench44 FS-Mol
相邻领域
相邻领域:不在主分类内的评测
模型:结构/共折叠
AF2-Multimer:Google DeepMindAlphaFold 3BioEmu-2Boltz-1 / Boltz-1xBoltz-2:MIT、Recursion、Boltz P…Chai-1:Chai DiscoveryChai-2:Chai DiscoveryDiffDock:MIT CSAILESMFold2HelixFold-S1:BaiduIntelliFold-2:IntelliGen AIIsoDDE:Isomorphic LabsMassiveFoldNeuralPLexer3OpenComplex2OpenDDE:Aureka AI Research、Au…OpenFold3Pearl:Genesis Molecular AIProtenixRF3:University of Washington …RhoFold+ / DRfold2 / trRosett…RNAPro:NVIDIA、Stanford Univer…SeedFold:ByteDance SeedVina:Scripps Research
模型:小分子
ADMET-AIAQAffinity:SandboxAQBeacon:Inductive BioChemformer:AstraZenecaChemprop v2:MITEnchant v1 / v2ether0:FutureHouseKERMT:Merck & Co.、NVIDIAMiniMol:Valence LabsMolE:RecursionMoLFormer-XL:IBM ResearchNesso-1:Valence Labs、Recursio…ReaSyn v2:NVIDIA、KAISTREINVENT 4RetroDFM-RSaturn:EPFLTamGen:Microsoft Research AI …TerraBind:Terray TherapeuticsTxGemma:Google DeepMind、Googl…Uni-Mol2Uni-Mol3
模型:蛋白
AlphaProteoAMPLIFY:Mila、Polytechnique Mo…BindCraftBoltzGenChai-3:Chai DiscoveryClaude 蛋白设计研究DPLM-2:ByteDance Research、Nan…Dyno Psi-1 / Psi-PhiESM C:Evolutionary Scale、Chan…ESM3:Evolutionary Scale、Chan …EVOLVEproLa-Proteina:NVIDIALatent-X / X2:Latent LabsLucaOne:Alibaba Cloud、Sun Yat…Mosaic:Escalante BioPinal:Westlake UniversityPoET-2:OpenProtein.AIProfluent-E1:ProfluentProGen3:ProfluentProSST:Shanghai Jiao Tong Uni…Proteina-Complexa:NVIDIARFdiffusion2 / 3SaProt:Westlake University、We…SeedProteo:ByteDance SeedVenusREMxTrimoPGLM
模型:抗体
GerminalHCAbLM:Nona Biosciences、HBM H…IgGM / IgGM-FMJAM / JAM-2:Nabla BioOrigin-1:AbsciRFantibodytFold:Tencent AI for Life Sci…
模型:基因组/RNA
AlphaGenome:Google DeepMindAlphaMissense:Google DeepMindBioReasonBorzoi:Calico Life SciencesBulkFormerEvo 2:Arc Institute、NVIDIA、St…NTv3:InstaDeeppopEVE:Harvard Medical School…RIBOSPAN
模型:单细胞
AIDO Cell:GenBio AIC2S-ScaleCellFM:Sun Yat-sen University…Lingshu-CellscGPT / GeneformerscPRINT-2Stack:Arc InstituteSTATE:Arc InstituteTahoe-x1:Tahoe TherapeuticsTranscriptFormerX-Cell:Xaira TherapeuticsxTrimoSCPerturb / scFoundation
模型:分子生成
GenMol:NVIDIA
模型:文本与 agent
Biomni:Stanford University、Ph…Co-ScientistGPT-Rosalind:OpenAIIntern-SKosmos / Edison AnalysisMedGemma / Med-GeminiQuine:Microsoft ResearchRobin:FutureHouseSciReasonerTxAgent:Harvard Medical SchoolVERID:Google Research前沿通用大模型:Anthropic、OpenAI、Goog…

60 Terminal-Bench-Science

整理 2026-11-18 · 来源与可靠度标注见正文
本文目录
  1. 概况
  2. 协议拆分与读法
  3. 测什么、怎么测
  4. 当前排名
  5. 报告过的模型
  6. 局限与注意
  7. 新模型怎么用
  8. 来源
  9. 更正记录

科学家贡献的终端科研工作流:70 题、程序化测试判分,持续发版。总分混合五个学科,生命科学只占 19/70,不能直接读作生物学能力。

bench-60 · 模型在做什么:多步分析与问答(agent) · 谁判对错:已有参考答案 · 文本与 agent · 2026-11 新收录 · 截至 2026-11-18

概况

字段 内容
名称 / 别名 Terminal-Bench-Science;别名:Terminal-Bench Science、TB-Science;有歧义、不自动链接:Terminal-Bench
家族 否(与 Terminal-Bench 同一团队,但任务与榜单独立,单列一条。)
模型在做什么 多步分析与问答(agent)
谁判对错 已有参考答案(1 条协议,逐条见下)
领域 文本与 agent
发布方 Stanford University、Laude Institute(多类机构联合)
首次发布 (依据:GitHub release v0.1.0)
其他里程碑 代码发布 (GitHub release v0.1.0);官方公告 (0.1 版发布公告与榜单)
最近更新 ,仅维护:主分支持续有任务修复提交,0.2 版仍在推进;最后一个发布版本仍为 v0.1.0。此为最近一次有出处的事件,不代表此后没有更新
下一次预期 无公告(0.2 版的投稿截止日(2026-10-05)已过,但未公告发布日期。)
规模 0.1 版 70 题,其中生命科学 19 题;五个学科,每题跑 3 次。 明细:任务数(0.1) 70;生命科学任务数(0.1) 19;每题运行次数(0.1 leaderboard) 3
状态 ● 活跃:0.1 已发榜,0.2 版在推进中
wet lab 更新 静态:不做新实验;任务来自研究者自己的工作流,按产物测试判分。
需自补 wet lab 不需要
报告模型数 1 个计入(榜 1)
当前排名 ▣ 榜单(见当前排名)
全站实体页 无(全站 /entities/ 体系中没有该 benchmark 的页面。)
截至 2026-11-18

协议拆分与读法

同一个 benchmark 名下常有多场规则不同的考试。下表把它拆成 1 条协议,逐条写明谁判对错、在用的模型和这个分数能回答什么。分类口径见怎么给 benchmark 分类。

协议 谁判对错 隔离 在用模型(已核实) 五维要点 能回答 不能回答
60a Terminal-Bench-Science 已有参考答案 — OpenScience(自)、前沿 LLM(榜) 结果由程序化验证判定,比模型打分可靠;但一个条目把模型、智能体外壳与推理强度混在一起,分数上升很快。 能回答:在 70 个终端科研任务上,各「模型+智能体外壳」组合能否产出通过程序化验证的结果。 不能回答:单一模型自身的生物分析能力,也不能比较相差几个百分点的条目(70 题误差约 5 个百分点)。

在用模型括号内:榜 = 主办方榜单,自 = 开发方自报,三 = 第三方评测;只列已核实的配对。五维 = 真值可靠性、基线状况、指标效度、饱和度、泄漏风险;"未评估"表示该协议尚未完成五维评审。

测什么、怎么测

  • 任务:智能体在终端里完成科研工作流(数据分析、模拟、拟合、证明等)并交出可检验的产物。
  • 真值:任务作者写的程序化测试与参考解,CI 要求参考解通过。
  • 主指标:解决率
  • 次指标:按学科拆分的解决率
  • 版本陷阱:分数属于具体版本(0.1);条目是“模型+智能体外壳”组合,单次尝试与每题 3 次不可比。

当前排名

状态:▣ 榜单

  • 指标:解决率:通过任务自带测试的比例(每题 3 次)
  • 评测集 / 口径:Terminal-Bench-Science 0.1 (70 tasks), release leaderboard
  • 快照日期:
  • 榜单页面

当前第一:Claude Opus 5 + Claude Code,30.0%(解决率:通过任务自带测试的比例(每题 3 次);Terminal-Bench-Science 0.1 (70 tasks), release leaderboard;榜单;)

说明:头条取 0.1 发布榜(2026-08-27);之后榜单已更新,但官方页无法直接读取,后续数字只有二手转引。

模型 名次 数值 指标 评测集 / 口径 来源类型 日期 出处 说明
Claude Opus 5 + Claude Code 1 30.0% 解决率:通过任务自带测试的比例(每题 3 次) Terminal-Bench-Science 0.1 (70 tasks), release leaderboard 榜单 出处 0.1 发布榜第一
GPT-5.6 Sol + Codex 2 22.4% 解决率:通过任务自带测试的比例(每题 3 次) Terminal-Bench-Science 0.1 (70 tasks), release leaderboard 榜单 出处 —
Claude Fable 5 + Claude Code 3 21.4% 解决率:通过任务自带测试的比例(每题 3 次) Terminal-Bench-Science 0.1 (70 tasks), release leaderboard 榜单 出处 —
GPT-6 Astra + Codex — 不显示:官方榜单页为前端渲染、未能直接读取,二手转引不作头条。†(未核实) 解决率:通过任务自带测试的比例(每题 3 次) Terminal-Bench-Science 0.1 (70 tasks), board as snapshotted 2026-09-26 by a third party 榜单(二手) †(未核实) 出处 后来的榜单条目,经第三方页面转引
Claude Opus 5.5 + Claude Code — 不显示:二手转引,不作头条。†(未核实) 解决率:通过任务自带测试的比例(每题 3 次) Terminal-Bench-Science 0.1 (70 tasks), board as snapshotted 2026-09-26 by a third party 榜单(二手) †(未核实) 出处 后来的榜单条目,经第三方页面转引
OpenScience (GPT-6 Astra)(非本站模型) — 不显示:非官方榜单条目,尝试次数不同。 解决率:通过任务自带测试的比例(每题 3 次) Terminal-Bench-Science 0.1 (70 tasks), single attempt, self-reported 自报 出处 开发方自报,单次尝试,2 题跑后重判;作者称将重跑

排名数据读取于 2026-11-18。分数原样照录,不换算、不跨 benchmark 比较。

报告过的模型

按关系类型分组;计数口径见配对矩阵。1 个计入(榜 1)。

官方参赛 / 官方榜单(1)

局限与注意

  1. 总分混合五个学科,生命科学只占 19/70,不能直接读作生物学能力。
  2. 条目是模型、智能体外壳与推理强度的组合,换外壳的影响可能大于换模型。
  3. 70 题每题 3 次,统计误差约 5 个百分点,相差几个点的条目不能排先后。
  4. 任务、测试与参考解全部公开,只靠 canary 提示训练排除,后续模型可能见过解法。
  5. 厂商与第三方自报数字常用不同尝试次数或设置,不能与官方榜单直接比较。

新模型怎么用

用 Harbor 框架在容器中跑全部任务,每题 3 次,由任务自带测试判分,可向官方榜提交。报告须写明版本、模型与智能体外壳、推理强度、尝试次数和单任务成本。可搭配 BixBench 看生物数据分析。

搭配:BixBench · BioML-bench · BioMysteryBench

来源

  1. 0.1 版发布公告与榜单(官方网站)
  2. 官方仓库(仓库)
  3. 官方榜单首页(榜单)
  4. 第三方自报页面(含榜单转引)(二手)
  5. 厂商自报分数聚合页(二手)

更正记录

无。

本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。