Terminal Bench 4
侧重命令行环境下复杂任务自动化的AI模型评测集，包含调用系统工具、处理文件和执行多步操作的场景，对模型实际工程部署能力要求极高
核心事实
时间轴 (近 90 天)
在Terminal Bench 4上，Kimi K3.1 Pro的输出Token用量约为K3的一半，完成速度快4倍，每次测试成本约为三分之一
Kimi K3.1 Pro在Valse指数中位列总榜第八；Terminal Bench 4从榜单中游升至总榜前三；Code Migration从接近底部升至前十
在 Val's AI 统一 agent 下运行 Terminal Bench 4，Argon 得 57.6，Opus 65.2，Sonnet 64.1。
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%。
在Terminal-Bench 4.0上，Claude Opus 5.5以66.4%领先，GPT-6 Astra为61.8%，Argon为57.4%
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上，Opus 5.5的medium档得分超过Fable的max档，而价格不到一半（Fable max档20美元，Opus 5.5 medium档2.94美元）
全部知识事实 (5)
在Terminal-Bench 4.0上，Claude Opus 5.5以66.4%领先，GPT-6 Astra为61.8%，Argon为57.4%
75%已验证Claude Sonnet 5.5 在终端（Terminal）基准上达到 70.6%，而上一代仅有 10.3%
75%待验证Kimi K3.1 Pro在Valse指数中位列总榜第八；Terminal Bench 4从榜单中游升至总榜前三；Code Migration从接近底部升至前十
50%待验证在Terminal Bench 4上，Kimi K3.1 Pro的输出Token用量约为K3的一半，完成速度快4倍，每次测试成本约为三分之一
50%待验证在Terminal Bench 4上，Opus 5.5的medium档得分超过Fable的max档，而价格不到一半（Fable max档20美元，Opus 5.5 medium档2.94美元）
50%