评测来源官方评测
Terminal-Bench Science
Harbor / 专业办公 · 在终端里完成科研任务
在 Catalyze Signal 中观察中
证据预算不计分
上游数据时间待核实
最近成功同步尚未开始采集
它测什么，怎么测
区分 Claude Code、Codex 和 mini-SWE 等系统；不能把不同系统成绩直接当模型能力。
如何使用这份证据
观察中：12 个型号且混合运行系统，新前沿型号仍不完整。
评测局限与数据署名
观察中：12 个型号且混合运行系统，新前沿型号仍不完整。
数据许可：待确认榜单数据使用边界
成绩由 Harbor 发布，原始分数与 Catalyze Signal 共识分使用不同尺度，不能直接相加。