三大科学基准对比：CritPt、SciCode 与 Terminal-Bench Science

geoffwolfe 转发的推文对比了 CritPt、SciCode 与 Terminal-Bench Science 三个面向科学任务的基准，分别考察多轮研究对话、链式科学计算和真实 shell 环境中的长期 agent 表现。三者均可通过验证器包装成 RL 训练环境，在深度、时间跨度与奖励节奏上各有侧重。