Terminal-Bench-Science：用科学任务基准评估 AI Agent 的研究能力
今天在 GitHub Trending 上看到一个分量十足的项目：Terminal-Bench-Science，由 Harbor Framework 联合 Stanford、Anthropic、Allen...
Benchmark
ARC-AGI 任务生成器 arc-task-gen：用分布匹配构建「防污染」的私有评测集
今天在 GitHub Trending 上看到一个有意思的项目：ARC-AGI-1 Task Generator（arc-task-gen）。它解决了一个越来越尖锐的问题——当公开...