Terminal-Bench 2.0审计后发布2.1修复版
先了解这件事
论文作者对发布前经过人工与LM辅助审查和红队测试的Terminal-Bench 2.0进行审计，发现约30%的基准存在问题，并将修复结果以Terminal-Bench 2.1发布。 修复改变了评测结果：准确率提升超过10个百分点，榜单排名最多变动三位，整体排名仍高度相关（Spearman rho = 0.958）。论文还指出固定wall-clock预算会实质影响智能体表现，例如放宽时间限制后GPT 5.4上20pp的harness差距被消除，GPT 5.4 mini上30pp的差距缩小到5pp。 论文提出“基准维护债务”概念，即基准分数与其要测量的能力之间不断扩大的差距，并给出结合社区报告、任务产物、智能体轨迹、自动oracle检查和人工把关修复的持续验证流程。
AI 根据报道生成 · 4 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- arXiv · cs.AI论文提出基准即软件：Terminal-Bench 2.0 审计发现约 30% 问题并发布 2.1 修复版
论文提出基准维护债务概念，即基准分数与其要测量的能力之间不断扩大的差距，并给出结合社区报告、任务产物、智能体轨迹、自动 oracle 检查和人工把关修复的持续验证流程。作者将该流程用于发布前经过人工与 LM 辅助审查和红队测试的 Terminal-Bench 2.0，审计发现约 30% 的基准存在问题，修复结果以 Terminal-Bench 2.1 发布。修复改变了评测结果：准确率提升超过 10 个百分点，榜单排名最多变动三位，整体排名仍高度相关（Spearman rho = 0.958）；论文还指出固定 wall-clock 预算会实质影响智能体表现，例如放宽时间限制后 GPT 5.4 上 20pp 的 harness 差距被消除，GPT 5.4 mini 上 30pp 的差距缩小到 5pp。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 711月6日 14:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。