待验证50% 置信观点精确时间
在 Terminal-Bench 上约 65% 的得分已属中上水平，但跨不同版本（如 4.0）比较需谨慎，因为任务集和评分规则可能调整。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/30
首次发现
有效期至：2027/1/28
来源
涉及实体
相关事实
待验证在 Terminal-Bench 2.0 基准上，同一模型 Opus 4.6 在不同 harness 下得分从 60.45% 到 82.02% 不等（相差约 22 个百分点）。70% 相似待验证Claude 模型在 Terminal Bench 4.0 终端编码测试上的得分从42%提升到接近56%67% 相似待验证Terminal Bench成绩从57分提升至65分。66% 相似待验证Fable 5.1 在 Terminal Bench Science 0.1 基准测试中得分 52.6%，相比上一代翻了一倍多66% 相似待验证Terminal-Bench 4.0的标准误差为±2.6分，Opus 5的51.8%复现为52.3%，Anthropic称之为噪声。66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1116633API
curl https://kongchang.com/api/v1/knowledge/claims/1116633MCP
get_claim(id=1116633)