Terminal Bench 2.1
评估大模型在终端/命令行环境中执行任务能力的基准测试。
时间轴 (近 90 天)
泄露数据显示 Gemini 4 Pro 在 DeepSwe V1.1 得分 88.7%，Terminal Bench 2.1 得分 95.3%，OS World 2.0 得分 86.8%，GDeepVal AAVR 得分 20%，上下文扩展至 200 万 Token，定价为每百万 Token 输入 2.25 美元、输出 11.25 美元。
测试使用Terminal Bench 2.1作为终端交互任务集，跑了Claude Code接入的顶尖模型和通过OpenRouter接入Open Code的DeepSeek两条模型线
在DeepSuite V1.1基准下，同一模型在不同harness下的成绩从69.8%波动到74.2%
据UP主实测，GLM-5.3 Flash在Terminal Bench 2.1终端复杂任务测试中得分接近Cloud Opus 4.8
DeepSeek Harness Minimal + V4 Pro在Terminal Bench 2.1上达到87.9%
全部知识事实 (5)
泄露数据显示 Gemini 4 Pro 在 DeepSwe V1.1 得分 88.7%，Terminal Bench 2.1 得分 95.3%，OS World 2.0 得分 86.8%，GDeepVal AAVR 得分 20%，上下文扩展至 200 万 Token，定价为每百万 Token 输入 2.25 美元、输出 11.25 美元。
50%待验证测试使用Terminal Bench 2.1作为终端交互任务集，跑了Claude Code接入的顶尖模型和通过OpenRouter接入Open Code的DeepSeek两条模型线
50%待验证在DeepSuite V1.1基准下，同一模型在不同harness下的成绩从69.8%波动到74.2%
50%待验证据UP主实测，GLM-5.3 Flash在Terminal Bench 2.1终端复杂任务测试中得分接近Cloud Opus 4.8
50%待验证DeepSeek Harness Minimal + V4 Pro在Terminal Bench 2.1上达到87.9%
50%