斯坦福团队发现Terminal-Bench三成任务存在缺陷，修复后智能体平均准确率提升超10% 斯坦福Ré组对Terminal-Bench 2.0基准进行系统性审计，发现约30%的任务存在指令-验证不匹配、任务漂移或环境资源不足等缺陷；修复后的2.1版本使... 2026年11月07日 人工智能 #修复后分数集体上涨 10 个点 分享海报
