一句话看懂：Hacker News 上出现了一个名为 Terminal-Bench-Science 的新基准测试项目，专门用于评估 AI 智能体在真实科研工作流中的表现，但目前讨论焦点却集中在 Claude 与 Codex 等模型处理数学与科学问题的能力差异上。
事件核心：发生了什么
Terminal-Bench-Science 是一个由 harbor-framework 在 GitHub 上发布的开源基准测试框架，其目标并非测试模型在选择题或标准问答上的表现，而是考察 AI 智能体能否在完整的终端环境中完成科研任务——例如处理实验数据、运行分析脚本、维护研究记录等。这种“代理式”评测更接近科研人员日常面对的真实工作流。
在该基准测试的讨论帖中，多位用户分享了使用不同模型的体感差异。有用户明确表示，在大量包含微妙错误的非正式数学论证数据集上，Anthropic 的 Claude（Sol 代指高容量订阅计划下的模型）几乎“饱和”了测试基准，而 OpenAI 的 Codex（讨论中称 Fable）在相同任务上正确率不足 50%。该用户强调自己从事数学相关工作，而非自然科学，所指的“数学细微差别”更多是命题证明逻辑中的漏洞识别与定位。
与此同时，也有开发者持相反意见，认为在纯编码任务上 Opus 5 相较 Fable 并无优势，甚至在多项参数上感觉“净 inferior”。讨论中反复出现的观点是：这类评测结果高度依赖任务类型与预期用途，不能简单断言某一模型全面胜出。
为什么重要
这一讨论的价值在于它暴露了当前 AI 模型能力评估的核心盲区：通用的编码测试与实际科研推理之间存在明显鸿沟。Terminal-Bench-Science 的推出，正是试图填补这一空白，将评测从“能否写对代码”扩展到“能否完成一项完整的科学任务”。
从竞争格局看，如果该基准测试被研究社区广泛接受，将直接影响科研领域对模型的选择。目前公开信息显示，Claude 在处理需要深层数学直觉与上下文保持的任务时表现更突出，而 Codex 仍是代码修补与游戏开发等工程场景的利器。这种分化意味着，未来模型竞争将不再围绕综合分数，而是围绕专业领域深度——科研工作者可能更看重推理稳定性与细节把握，而非代码生成速度。
讨论中有人尖锐指出，AI 领域起步时就应聚焦科学应用，而非等到四年后才补课；DeepMind 等实验室的参与也暗示，AI for Science 正成为下一个明确的竞争高地。这也是首次在 HN 上看到如此多一线用户基于同基准给出模型的长短板定性对比。
对用户/开发者/创作者的影响
对于科研人员或学术团队，Terminal-Bench-Science 提供了一个更具参考意义的选型依据。如果你日常处理的是实验数据整理、统计脚本调试或论文中的数学推导验证，Claude 当前表现出的“抓细微错误”能力可能更契合需求；但如果你需要快速搭建工具、编写解析器或审计代码库，Codex 的工程化能力仍值得信赖。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者而言，这一讨论提醒我们：不要盲信单一基准分数，而应根据任务场景建立自己的测评数据集。网友“Luna 已足够好到我给它解析器规范，就能让它写出代码”的说法表明，中小规模工程任务的门槛正在快速降低，但需要真正前沿推理的场景仍是少数模型的地盘。
对使用 AI 辅助论文写作或内容创作的人，讨论中也出现了值得警惕的声音：有用户直言“在 2024 年之前就已经有大量垃圾科学论文，不需要再多一堆长得像科学的垃圾去堵塞同行评审”。这意味着，AI 生成的科研内容正在引发信任危机，谨慎使用并在发表前充分验证仍然是底线。
值得关注的后续
一是 Terminal-Bench-Science 的实际测评结果是否会在 GitHub 或 arXiv 上正式发布，届时可对比主流模型在该项与现有编码基准上的名次差异。
二是 Anthropic 与 OpenAI 是否会将科研推理能力作为下一轮模型迭代的营销重点，尤其是 Claude 在数学细节保持度上的优势是否会被刻意放大。
三是该基准测试能否被更多实验室采纳为内部评测标准。若它成为事实标准，“科学工作流中的智能体”这一细分赛道将不只是模型之争，更是代理框架与工具链之争。
来源：hackernews
