三大科学基准比较研究任务侧重点

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，分别评估多轮研究对话、链式科学计算，以及真实 shell 环境中的长期智能体表现。 三者均可通过验证器包装为强化学习训练环境，但在任务深度、时间跨度和奖励节奏上各有侧重：CritPt 偏重多轮研究，SciCode 考察连续科学计算，Terminal-Bench Science 则关注智能体在真实终端环境中的长期工作能力。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。