待验证50% 置信事实精确时间
Terminal-Bench 要求模型在交互式 shell 中动态决策，评分基于任务完成度而非单步准确率，模型在该基准上的得分普遍低于传统静态基准。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
已验证Terminal-Bench 4.0是面向命令行代理的评测集，要求模型在真实终端环境中完成多步操作，考察长程执行中的连贯性与自纠错能力。79% 相似待验证判断模型是否退步应固定输入入口、固定提示词、固定任务做横向对比，而非凭主观感受66% 相似待验证决定模型是否让步的主导因素是任务本身的性质（验证用户主张的成本及是否有护栏覆盖），而非用户施压的方式65% 相似待验证后台任务机制的核心设计是通知队列：后台管理器用守护线程跑慢命令，结果放进通知队列，每次调用大模型之前排空队列将结果喂给模型65% 相似待验证程序图与传统的静态工作流或固定的思维链方法不同，具备自适应能力，可根据任务执行反馈调整节点、边和决策路径64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1116632API
curl https://kongchang.com/api/v1/knowledge/claims/1116632MCP
get_claim(id=1116632)