Terminal-Bench Science · AA
Artificial Analysis / 科研 · 在终端完成科学工作流与分析。
在 AIHOT 中参与排名
所属领域科研
上游数据时间待核实
最近成功同步10/08 02:05
它测什么，怎么测
70 个 Harbour 科学终端任务，统一 mini-swe-agent，每题三次运行的平均 pass@1。
如何使用这份证据
计分：科学工作流；与 Vals 复跑的同一题库共用一类评测。 固定十个对照型号至少测到六个，才参与计算。
评测成绩
按固定规则，每个公开模型采用一套代表配置；没有可采用配置的模型标为未计入并写明原因。匿名测试型号不展示，保留原榜名次，每项最多 30 个。
| 原榜名次 | 原榜型号 | 原始成绩 | 代表配置 |
|---|---|---|---|
| 1 | gpt-6-astraOpenAI | 63.3% | Max 推理 |
| 3 | claude-opus-5-5Anthropic | 59.0% | Max 推理 · 含来源回退 |
| 4 | gpt-6-1-solOpenAI | 58.1% | Max 推理 |
| 5 | claude-sonnet-5-5Anthropic | 53.3% | Max 推理 · 含来源回退 |
| 8 | claude-fable-5-1Anthropic | 43.3% | Max 推理 · 含来源回退 |
| 11 | gpt-6-solOpenAI | 30.0% | Max 推理 |
| 12 | claude-opus-5Anthropic | 28.6% | Max 推理 |
| 14 | gpt-5-6-solOpenAI | 22.4% | Max 推理 |
| 18 | gpt-5-6-terraOpenAI | 13.8% | Max 推理 |
| 19 | qwen3-8-maxAlibaba | 11.9% | 来源默认配置 |
| 20 | muse-spark-1-3Meta | 11.0% | Max 推理 |
| 22 | gemini-3-8-flashGoogle | 10.0% | High 推理 |
| 23 | glm-5-3Z.ai | 9.5% | Max 推理 |
| 24 | deepseek-v4-1-flashDeepSeek | 9.0% | Max 推理 |
| 25 | gpt-6-lunaOpenAI | 8.6% | Max 推理 |
| 27 | grok-4-6xAI | 6.2% | High 推理 |
| 28 | mimo-v2-6-proXiaomi | 5.7% | 来源默认配置 |
| 28 | deepseek-v4-proDeepSeek | 5.7% | Max 推理 |
| 31 | glm-5-3-flashZ.ai | 4.8% | 来源默认配置 |
| 32 | gpt-5-6-lunaOpenAI | 3.3% | Max 推理 |
| 34 | step-5StepFun | 2.4% | 来源默认配置 |
| 35 | qwen3-8-27bAlibaba | 0.5% | xHigh 推理 |
| 35 | minimax-m3MiniMax | 0.5% | 来源默认配置 |
| 37 | gemini-3-5-flash-liteGoogle | 0.0% | 来源默认配置 |
| 37 | inklingThinking Machines Lab | 0.0% | xHigh 推理 |
| 37 | inkling-smallThinking Machines Lab | 0.0% | 来源默认配置 |
评测局限与数据署名
取 terminalBenchScience 总体成绩，不混用领域切片。 缺测留空；回退成绩计入并标注，受影响题目过半不计。
数据许可：Artificial Analysis 公开页面数据；展示须显著署名并链接来源，遵守其 Terms of Use
成绩由 Artificial Analysis 发布。各项评测的原始分数尺度不同，不能直接相加；AIHOT 按公开规则把它们换算到同一条能力刻度上。