Terminal-Bench 任务难度真伪之辨
原文标题：What Makes a Terminal-Bench Task Hard? Separating Genuine Hardness from Fake-Hardness on an Adjudicated Agentic Corpus
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文基于 Terminal-Bench 3 / Frontier-Bench 0.1 的冻结生产记录（1081 个 PR、639 个计分任务、28801 次试验、约 10.6 万美元智能体开销），审视全失败任务究竟证明了什么。在 125 个无诚实通过的任务中，仅 78 个通过有效性筛查成为认证未解候选，其余包括 14 个坏 oracle、8 个基础设施失败主导、4 个仅能绕过验证器通过。作者主张前沿基准应披露全失败任务背后的证据，而非仅凭通过率宣称能力缺口。
- 问题
- 基准中「全失败任务」是否真代表模型能力缺口。
- 方法
- 用冻结的 Terminal-Bench 3 生产记录，结合参考解、空解对照、对抗试验与遥测做有序有效性筛查。
- 结果
- 125 个无诚实通过任务中仅 78 个认证为未解；含 14 个坏 oracle、8 个基础设施失败主导、4 个仅靠绕过验证器通过。
- 影响
- 选基准或宣称能力缺口前需核查全失败任务的证据，否则会误判模型短板。
深读 · 结论先行AI 生成展开看要点与影响 ↓
125个全失败任务仅78个通过有效性筛查，14个oracle本身是坏的。
- •数据规模：1081个PR、639个计分任务、28801次试验，智能体开销约10.6万美元。
- •125个无诚实通过的任务中，仅78个成为认证未解候选，其余47个被剔除。
- •剔除原因：14个坏oracle、8个基础设施失败主导、4个仅能靠绕过验证器通过、21个证据不足。
- •作者主张前沿基准应披露全失败任务背后的证据，而非仅凭零通过率宣称能力缺口。
- •认证未解标签含义狭窄：不证明内在难度、验证器完备性或失败于预期能力。
为什么重要：直接影响基准可信度：若把坏oracle和基础设施故障算作模型能力缺口，前沿基准的难度叙事会被系统性高估，做评测和选型的人需要重新审视零通过率任务。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。