Terminal-Bench Science
Harbor / 專業辦公 · 在終端裡完成科研任務
在 888news 中觀察中
依據預算不參與排序
上游數據時間待核實
最近成功同步尚未開始採集
它測什麼,怎麼測
區分 Claude Code、Codex 和 mini-SWE 等系統;不能把不同系統成績直接當模型能力。
如何使用這份依據
觀察中:12 個型號且混合執行系統,新前沿型號仍不完整。
評測局限與數據署名
觀察中:12 個型號且混合執行系統,新前沿型號仍不完整。
數據許可:待確認榜單資料使用邊界
成績由 Harbor 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。