terminal-bench-science

让 AI 在终端里跑通真实科研任务并自动打分

Terminal-Bench-Science 是一个面向科研工作流的 AI 智能体评测基准，聚焦于评估 AI 在真实科学计算环境中的终端操作能力。它把化学、生物、物理、材料等学科中常见的科研任务（如数据处理、模拟运行、结果分析、脚本调试）转化为可复现的终端任务，让 AI 智能体在命令行里一步步完成，而不是只回答选择题。项目提供任务定义、环境配置、评分脚本和运行框架，解决现有基准偏通用编程、缺乏科学领域深度的问题，帮助研究者和开发者衡量智能体在科研场景下的实际可用性。核心能力包括跨学科任务集、可扩展的任务注册机制、基于终端的交互式执行与自动评分，适合用来对比不同模型或智能体框架在科研自动化上的表现。

开源 unknown 评测安全

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 610

维护状态活跃

是否开源是

定价模式 unknown

项目数据

分类评测安全

开发团队harbor-framework

所属国家

官网地址https://www.terminal-bench-science.ai

GitHubhttps://github.com/harbor-framework/terminal-bench-science

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型agentic-ai,ai-for-science,ai4science

GitHub 星标★ 610

30天Star增速

HF 下载量

上线时间2026-01-25 00:00:00

最近更新2026-09-21 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-22

浏览次数0

使用教程

核心亮点

任务来自真实科研工作流，覆盖多学科终端操作，比通用编程基准更贴近科研场景
提供可扩展的任务注册与自动评分框架，方便研究者加入新学科任务并复现结果
基于终端交互执行，能评估智能体的多步规划、命令使用和错误恢复能力

不足之处

项目处于早期，任务数量和学科覆盖仍在积累，评测结论的统计效力有限
依赖具体终端环境与依赖安装，跨平台复现和任务稳定性需要额外维护

适用场景

科研团队评测不同 AI 智能体在化学/生物数据分析流程中的自动化能力
模型厂商用该基准展示自家智能体在科学终端任务上的表现
研究者基于框架扩展新学科任务，构建自己的科研智能体评测集

替代项目

SWE-bench、AgentBench、ScienceAgentBench

项目介绍

terminal-bench-science 是评测安全领域的开源项目，由 harbor-framework 开发，是 2026 年新上线的项目。

它收录于评测安全分类，该分类目前共有 456 个项目，GitHub 星标数为 610。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-21。

它主要面向的使用场景是：科研团队评测不同AI智能体在化学/生物数据分析流程中的自动化能力。同类可对比的替代方案包括 SWE-bench、AgentBench、ScienceAgentBench。

上一篇：Semia

下一篇：没有了！