Terminal-Bench Science · Vals
Vals AI / 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10/21 08:00
最近成功同步10/23 20:06
它测什么，怎么测
70 个专家审核的科学终端任务，统一 Mini-SWE-agent，由任务验证器检查结果。
如何使用这份证据
计分：科学工作流；与 AA 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。
评测局限与数据署名
只取版本 0.1 的 Mini-SWE-agent 成绩；Terminus 2 不混入。 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：官方公开结果；公开再展示保留官方署名，完整再分发授权仍以 Vals 条款为准
成绩由 Vals AI 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。