Stanford

Terminal-Bench 三成任务有缺陷，修复后智能体分数集体上涨

斯坦福团队审计 Terminal-Bench 2.0 的 89 个任务，确认 28 个存在缺陷，修复后 19 个智能体的准确率普遍上升逾 10 个百分点。研究同时发现，时间预算过紧会制造大量假失败，说明模型榜单必须附带基准版本与资源条件。