Terminal-Bench Science · AA
Artificial Analysis / 科研 · 在终端完成科学工作流与分析。
在 裕瑞产业情报 中参与排名
证据预算NaN%
上游数据时间待核实
最近成功同步10/23 20:05
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 10 个对照型号至少测到 6 个，才参与计算。
评测成绩
同一模型测了多个档位时，按固定规则只取一套代表成绩；没有可用成绩的模型标为“未计入”并写明原因。匿名测试型号不展示，名次照搬原榜，每项最多列 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 |
| 6 | gemini-4-argonGoogle | 52.9% | High 推理 |
| 11 | claude-fable-5-1Anthropic | 43.3% | Max 推理 · 含来源回退 |
| 15 | gpt-6-solOpenAI | 30.0% | Max 推理 |
| 16 | claude-opus-5Anthropic | 28.6% | Max 推理 |
| 17 | muse-wonderMeta | 25.7% | Max 推理 |
| 19 | gpt-5-6-solOpenAI | 22.4% | Max 推理 |
| 20 | claude-haiku-5-5Anthropic | 20.0% | Max 推理 |
| 25 | gpt-5-6-terraOpenAI | 13.8% | Max 推理 |
| 26 | deepseek-v4-1-flash-1017DeepSeek | 12.9% | Max 推理 |
| 27 | qwen3-8-maxAlibaba | 11.9% | 来源默认配置 |
| 28 | muse-spark-1-3Meta | 11.0% | Max 推理 |
| 32 | gemini-3-8-flashGoogle | 10.0% | High 推理 |
| 34 | glm-5-3Z.ai | 9.5% | Max 推理 |
| 36 | deepseek-v4-1-flashDeepSeek | 9.0% | Max 推理 |
| 37 | gpt-6-lunaOpenAI | 8.6% | Max 推理 |
| 39 | kimi-k3Moonshot AI | 8.1% | Max 推理 |
| 42 | grok-4-6xAI | 6.2% | High 推理 |
| 43 | deepseek-v4-proDeepSeek | 5.7% | Max 推理 |
| 43 | mimo-v2-6-proXiaomi | 5.7% | 来源默认配置 |
| 47 | glm-5-3-flashZ.ai | 4.8% | 来源默认配置 |
| 47 | mistral-large-4Mistral AI | 4.8% | 来源默认配置 |
| 47 | grok-4-7xAI | 4.8% | xHigh 推理 |
| 51 | mimo-v2-6-flashXiaomi | 4.3% | 来源默认配置 |
| 54 | minimax-m3-1-flashMiniMax | 3.3% | 来源默认配置 |
| 54 | gpt-5-6-lunaOpenAI | 3.3% | Max 推理 |
| 58 | step-5StepFun | 2.4% | 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 按公开规则把它们折算成同一种分数。