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。
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 |
|---|---|---|---|
| 1 | fusionGitHub | 71.2% | 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。 |
| 2 | claude-fable-5-2Anthropic | 65.8% | 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。 |
| 3 | claude-opus-5-5Anthropic | 64.8% | 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。 |
| 4 | gemini-4-carbonGoogle | 64.5% | 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。 |
| 5 | gpt-6.2-astraOpenAI | 62.1% | 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。 |
| 6 | claude-sonnet-5-5anthropic | 61.8% | 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。 |
| 7 | gpt-6.2-solOpenAI | 61.5% | 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。 |
| 8 | gemini-4-neonGoogle | 61.2% | 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。 |
| 10 | kimi-k3.1-proMoonshot AI | 59.7% | 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。 |
| 11 | gpt-6.1-solOpenAI | 58.2% | 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。 |
| 12 | claude-fable-5-1Anthropic | 57.9% | 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。 |
| 13 | gemini-4-hydrogenGoogle | 56.4% | 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。 |
| 15 | gemini-4-argonGoogle | 54.9% | 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。 |
| 16 | gpt-6.1-terraOpenAI | 53.3% | 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。 |
| 17 | claude-opus-5Anthropic | 51.8% | 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。 |
| 19 | gpt-6-solOpenAI | 49.4% | 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。 |
| 20 | muse-wonder-1.0Meta | 47.0% | 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。 |
| 22 | claude-fable-5Anthropic | 44.5% | 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。 |
| 23 | glm-5.3Z.ai | 41.8% | 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。 |
| 24 | claude-haiku-5-5Anthropic | 40.0% | 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。 |
| 27 | hy4Tencent | 39.1% | 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。 |
| 28 | DeepSeek V4.1 Flash 1017DeepSeek | 38.5% | 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。 |
| 30 | gpt-5.6-solOpenAI | 37.3% | 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。 |
| 31 | glm-5.3-flashZ.ai | 37.0% | 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。 |
| 34 | muse-ember-1.0Meta | 30.6% | 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。 |
| 35 | mistral-large-4-0Mistral AI | 27.9% | 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。 |
| 37 | mimo-v2.6-proXiaomi | 27.0% | 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。 |
| 37 | qwen3.8-max-0902Alibaba | 27.0% | 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。 |
| 40 | claude-opus-4-8Anthropic | 23.6% | 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。 |
| 41 | kimi-k3Moonshot AI | 23.0% | 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。