Artificial Analysis 上线 Terminal-Bench-Science 0.1 榜单：GPT-6 Astra 63%、Claude Opus 5.5 62% 领跑，开源权重模型落后逾 50 分

独立评测机构 Artificial Analysis 于 UTC 时间 9 月 24 日 23:30（北京时间 9 月 25 日上午），为科研 agent 基准 Terminal-Bench-Science 0.1 上线排行榜并公布首批成绩：GPT-6 Astra (max) 以 63% 排名第一，Claude Opus 5.5 (xhigh) 以 62% 排名第二，榜上只有这两个模型的通过率超过 50%。

另一头的差距更悬殊。Artificial Analysis 称，榜上最好的开源权重模型 GLM-5.3 (max) 得分 10%，DeepSeek V4.1 Flash (max) 得分 9%，落后头部 50 个百分点以上；生命科学则是多数头部模型得分最低的领域。

70 个取自真实科研的任务，在沙盒里从头跑到尾

Terminal-Bench-Science 0.1 于 2026 年 8 月公布，由 Stanford 研究者 Steven Dillmann 与 terminalbench 团队构建，全球开源科学贡献者参与。称其为开放学术协作：Stanford 大学研究者和 Terminal-Bench、Harbor 团队共同开发，全球多所机构的科学家贡献了任务；给自己的定义是「一个评估 AI agent 在各科学领域研究工作流的基准」。

70 个任务取材于真实科研实践，由领域专家编写并复核，按领域分布为：生命科学 19 个、物理科学 17 个、数学科学 17 个、工程科学 9 个、地球科学 8 个。

测试方式与 Terminal-Bench 相同：每个任务把 agent 放进一个沙盒环境，配齐该任务所需的数据、工具和指令，agent 从头跑到尾；每个任务自带一组自动测试，逐项判 pass/fail，Artificial Analysis 报告 3 次尝试的平均 pass@1（单次通过率）。榜单页面还链接了任务的和。

榜单卡片给出小数点后的成绩

Artificial Analysis 榜单页面的卡片显示，第一名 GPT-6 Astra (max) 63.3%，第二名 Claude Opus 5.5 (xhigh with fallback) 61.9%，第三名是同一模型的 max with fallback 配置，59.0%——与公告取整的 63%、62%、59% 一一对应。这些成绩由该机构自行测得，公告原话是「我们报告 3 次尝试的平均 pass@1」。对头部格局，公告的总结是：「近期的发布带来了大幅进步，但即便是榜首的 GPT-6 Astra，也有显著的提升空间。」

同一个模型，推理档位不同能差 38 分，成本差 5 倍

Artificial Analysis 在公告的续推中称，Terminal-Bench-Science 既能把不同模型拉开差距，也能区分前沿模型内部不同推理档位（reasoning effort）的差别。它给出的数字是：，提升约 38 个百分点，两档之间单任务成本相差约 5 倍；开到 max 档，成绩反而略降到 59%。GPT-6 Sol 从低档到 max 档提升 27 个百分点，对应约 7.5 倍的单任务成本。

至少在这份榜单上，最高的档位没有换来最高的成绩——Opus 5.5 的 max 档就低于 xhigh 档。

开源权重模型的最好成绩，落后榜首 53 个百分点

公告单独点名了开源权重（open weights）模型：榜上最好的开源权重成绩来自 GLM-5.3 (max)，得分 10%；其次是 DeepSeek V4.1 Flash (max)，得分 9%——以榜首 63% 计，分别落后 53 个和 54 个百分点。公告没有解释这个差距的成因，只把这两条成绩归为「最好的开源权重模型」。

数学 71%，生命科学 46%，而领域分数噪声不小

按领域看，Artificial Analysis 给出的具体对比是：Claude Opus 5.5 (xhigh) 通过了 71% 的数学科学任务，而生命科学任务的通过率只有 46%——生命科学正是多数头部模型的最低分领域。这个拆分带着 Artificial Analysis 自己标注的限制：每个领域只有 8～19 个任务，领域分数噪声较大。

截至 9 月 28 日通过 API 核实时，这条公告帖已获得约 25 万次浏览和 1,034 个赞。回复里也出现了同类的方法学提醒——，70 个任务、每个只跑 3 次，顶部那 1 分的差距不足以支撑一次路由决策；由 8～19 个任务构成的领域分数，翻错一个案例就会明显移动。