跳到正文

Terminal-Bench 4 · 系統參考

Harbor / Terminal-Bench / 程式設計 · 保留模型搭配不同 Agent 在終端任務中的原始成績,供交叉核對。

官方評測
在 888news 中僅供參考
依據預算不參與排序
上游數據時間11/21 00:06
最近成功同步11/23 00:05

它測什麼,怎麼測

固定 Terminal-Bench 4.0,分別保留模型、Agent 版本、推理檔位和執行次數;不把不同工具系統解釋為統一模型條件。

如何使用這份依據

原始成績參考:鎖定官方提交清單與資料版本後自動採集,逐條保留不同系統配置,不選模型代表分。只供交叉核對,不進入綜合或程式設計排名。

評測成績

按固定規則,每個公開模型採用一套代表配置;沒有可採用配置的模型標為未計入並寫明原因。匿名測試型號不展示,保留原榜名次,每項最多 30 個。

原榜名次原榜型號原始成績代表配置
1fusionGitHub71.2%GitHub Copilot 1.0.111 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
2claude-fable-5-2Anthropic65.8%Claude Code 2.1.321 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
3claude-opus-5-5Anthropic64.8%Claude Code 2.1.284 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
4gemini-4-carbonGoogle64.5%Antigravity CLI 1.5.7 · high 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
5gpt-6.2-astraOpenAI62.1%Codex 0.169.0 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
6claude-sonnet-5-5anthropic61.8%Claude Code 2.1.284 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
7gpt-6.2-solOpenAI61.5%Codex 0.169.0 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
8gemini-4-neonGoogle61.2%Antigravity CLI 1.5.12 · xhigh 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
10kimi-k3.1-proMoonshot AI59.7%Claude Code 2.1.311 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
11gpt-6.1-solOpenAI58.2%Codex 0.159.0 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
12claude-fable-5-1Anthropic57.9%Claude Code 2.1.257 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
13gemini-4-hydrogenGoogle56.4%Antigravity CLI 1.5.7 · high 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
15gemini-4-argonGoogle54.9%Antigravity CLI 1.5.2 · high 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
16gpt-6.1-terraOpenAI53.3%Codex 0.164.0 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
17claude-opus-5Anthropic51.8%Claude Code 2.1.231 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
19gpt-6-solOpenAI49.4%Codex 0.159.0 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
20muse-wonder-1.0Meta47.0%Muse Code 1.4.14 · xhigh 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
22claude-fable-5Anthropic44.5%Claude Code 2.1.231 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
23glm-5.3Z.ai41.8%Claude Code 2.1.207 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
24claude-haiku-5-5Anthropic40.0%Claude Code 2.1.311 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
27hy4Tencent39.1%Claude Code 2.1.311 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
28DeepSeek V4.1 Flash 1017DeepSeek38.5%Claude Code 2.1.311 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
30gpt-5.6-solOpenAI37.3%Codex 0.149.1 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
31glm-5.3-flashZ.ai37.0%Claude Code 2.1.311 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
34muse-ember-1.0Meta30.6%Muse Code 1.4.14 · xhigh 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
35mistral-large-4-0Mistral AI27.9%Claude Code 2.1.311 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
37mimo-v2.6-proXiaomi27.0%mini-swe-agent 2.4.6 · 來源未報告推理檔位未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
37qwen3.8-max-0902Alibaba27.0%Claude Code 2.1.285 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
40claude-opus-4-8Anthropic23.6%Claude Code 2.1.231 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
41kimi-k3Moonshot AI23.0%Claude Code 2.1.311 · max 推理未計入:保留模型與 Agent 的完整系統成績供參考,不參與綜合或程式設計排名。
評測局限與數據署名

不同模型使用 Claude Code、Codex、GrokBuild 或 mini-SWE 等不同工具,只供參考;AA 和 Vals 各自統一復跑的 Terminal-Bench 4.0 已計分。

數據許可:Apache 2.0 · 官方 harbor-framework/terminal-bench 倉庫內的成績提交;保留署名、協議與修改說明。

成績由 Harbor / Terminal-Bench 發布,各項原始分數使用不同尺度,不能直接相加;參考名次採用公開的分差標準化規則。