Terminal Bench

基准测试成绩与用户真实体验之间存在鸿沟，部分厂商存在针对特定基准专项优化（刷榜）以及训练数据污染导致成绩虚高的现象

Terminal-Bench是专门评估AI模型在命令行环境中执行复杂任务能力的基准测试，涵盖文件操作、脚本编写、系统调试等场景

Claude Sonnet 5.5 在终端（Terminal）基准上达到 70.6%，而上一代仅有 10.3%

在 Terminal Bench 4.0 上，Opus 5.5 得分 66.4%，Astra 为 57.9%，Fable 5.1 为 55.8%，前代 Opus 5 为 52.3%

Terminal Bench要求模型在模拟终端环境中完成完整软件工程工作流，包括读取错误日志、调试、配置环境变量、操作文件系统

在 Terminal Bench 终端任务测试中，Gemini 4 Argon 得分为 57.4%，低于 Claude Opus 5.5 的 66.4%。

GPT-6 Sol High在Automation Bench上的单项任务成本仅为Opus 5的十分之一

Gemini 4 Carbon在Terminal Bench上的作弊成功率为0.0%。

在 Terminal Bench 上，中档 Sonnet 5.5 得分 28.8%，每任务约 0.83 美元；Sonnet 5 最高档只有 10.3%，每任务约 11.6 美元

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

Qwen3.8-27B在Terminal Bench、GPQA Diamond、HLE测试中均落后于Claude Opus 4.6（分别为73 vs 78.2、89.2 vs 91.3、30.8 vs 40）

DeepSeek官方公布V4 Pro在Terminal Bench基准测试中得分高达87.9

AI评测正从纯语言能力转向真实任务执行能力，特别是终端操作、表格分析这类可量化的办公与工程场景

Terminal Bench是斯坦福大学设计的智能体评估框架，模拟真实Linux终端环境，要求智能体完成环境配置、依赖安装、代码调试、结果验证等完整工作流

Terminal Bench成绩从57分提升至65分。

DeepSeek V4.1 Flash 在 Humanities Last Exam 上得分为 42，与 Kimi K3、GLM 5.3 持平；Terminal Bench 得分同样为 42。

Google 专门提到，Gemini 4 Carbon 在训练中被要求停止走捷径，在 Terminal Bench 上成功作弊的比率降到了零。

腾讯云关于Terminal RSI的论文基于Qwen 2.5 7B训练，在Terminal Bench上准确率从20.68%提升至50.58%。

DeepSeek 称 1017 版本 Terminal Bench 分数从 31 涨到 42。

在Terminal Bench上，Claude Opus 5.5在Meta表中得59.6分，在Google表中得66.4分，均领先于竞争对手。