เครื่องมือนักพัฒนา
Terminal-Bench-Science 0.1 ออกแล้ว — 70 งานวิจัยจริงในเทอร์มินัล คัดจากข้อเสนอ 920 ชิ้น และเอเจนต์ที่เก่งที่สุดทำได้แค่ 30%
26 ส.ค. 2026 ทีม Terminal-Bench ร่วมกับ Stanford และ Laude Institute ปล่อย Terminal-Bench-Science 0.1 ใต้ Apache-2.0 — เบนช์มาร์ก 70 งานที่กลั่นจากข้อเสนอ 920 ชิ้นโดยผู้ร่วมเขียน 376 คนจาก 22 ประเทศ ตรวจด้วย test แบบ deterministic ไม่ใช้ LLM ตัดสิน ผลคือ Claude Opus 5 บน Claude Code นำที่ 30.0% ขณะที่ทุกโมเดลร่วงจาก Terminal-Bench 3.0 เกิน 10 จุดถ้วนหน้า
· อ่าน 7 นาที