Terminal-Bench 2.1 发布与持续验证工作流
热点事件观察中
Terminal-Bench 2.1 发布与持续验证工作流
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
2026年11月6日，arXiv Artificial Intelligence 刊出研究团队（E. Kelly Buchanan 等作者）的报道，介绍其提出的持续验证工作流并发布修复版基准 Terminal-Bench 2.1。该工作流面向智能体基准测试，结合社区报告、任务产物、智能体轨迹、自动化 oracle 检查与人工把关修复。团队对 Terminal-Bench 2.0 进行审计，发现约 30% 的题目存在问题，随后发布修复版 Terminal-Bench 2.1。报道称，修复后准确率提升超过 10 个百分点，排行榜名次最多变动三位，整体排名仍高度相关（Spearman rho = 0.958）。目前进展为：审计结果与修复版基准已公布，并给出修复前后的准确率与排名变化数据。
AI 根据报道生成 · 2 天前更新
最新进展11月6日 13:00
Terminal-Bench 2.1 发布：基准测试需要持续维护报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv Artificial IntelligenceTerminal-Bench 2.1 发布：基准测试需要持续维护
研究团队对 Terminal-Bench 2.0 进行审计，发现约 30% 的题目存在问题，并发布修复版 Terminal-Bench 2.1，修复后准确率提升超过 10 个百分点，排行榜名次最多变动三位，整体排名仍高度相关（Spearman rho = 0.958）。
本事件热度走势
- 可比范围当前
- 3
- 可比范围峰值
- 711月7日 03:00
- 近 24 小时变化
- -49%
02468
06:0012:0018:0011月8日06:0012:00
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。