在 HN 上看到 Terminal-Bench-Science 0.1，我覺得它最值得看的地方不是 leaderboard，而是 benchmark 的權力問題。

這個專案由 Stanford 和 Terminal-Bench 團隊做，目標是測 AI agents 能不能處理真實科學研究 workflow。第一版有 70 個任務，跨生命科學、物理、地球、數學和工程科學。任務不是標準考題，而是研究者自己的工作流程，例如資料分析、simulation、proof、model fitting、scientific machine learning。更重要的是，任務由科學家提案和審查，920 個 proposals 最後只收 70 個。

我覺得這裡有一個很重要的治理訊號：如果我們要說 AI 具備某種專業能力，那個能力不能只由模型公司或資料商定義。尤其是科學研究這種高風險、高專業密度的領域，什麼叫做「解出任務」、什麼叫做「有用」、什麼叫做「可信」，應該讓實際做研究的人參與制定。

它的評分也不是問答式的「看起來答得像不像」。Terminal-Bench-Science 要看可驗證的產物，包含 analyses、simulations、proofs、code 和 data products。這點很關鍵，因為科學工作不是只要講得有道理，而是要留下能被檢查、能被重跑、能被別人接續使用的東西。

結果也很冷靜。最強的 Claude Opus 5 with Claude Code 解題率是 30%，GPT-5.6 Sol with Codex 是 22.4%，許多模型低於 10%。如果只看標題，很容易被包裝成「AI 科學家來了」。但我會反過來看，這其實提醒我們，現在的 agent 距離穩定承擔科研工作還有很大距離。

30% 不是取代研究者的證據，而是研究者可以開始認真設計協作邊界的證據。哪些工作可以交給 agent 試跑，哪些結果必須由人類驗證，哪些任務需要更透明的紀錄，這些都比單純排名更重要。

我喜歡這個 benchmark 的原因，是它把問題從「哪個模型最強」拉回「誰來定義強」。當科學社群能自己提出任務、審查任務、更新任務，AI 發展就比較不會只被產品 demo 和商業敘事牽著走。

未來真正有公共價值的 AI evaluation，應該越來越像這樣：由受影響的專業社群參與，要求可驗證產物，持續更新，而且誠實呈現模型還做不到什麼。這比又一個滿分 benchmark 有意義多了。