Terminal Bench 4.0
专门评估AI模型在终端环境中执行编程任务能力的基准测试套件，重点考察命令行操作、脚本编写、代码调试及自动化工作流等真实开发场景表现
核心事实
时间轴 (近 90 天)
在 Terminal Bench 4.0 终端工程测试中，Carbon 得分 65.2%，领先 Opus 5.5 的 59.6%。
Gemini 4 Carbon在Terminal Bench上的作弊成功率为0.0%。
Carbon 在 Terminal-Bench 4.0 上成功作弊率降至 0.0%，作弊尝试降至 0.4%；内部真实编码环境中高危失准告警下降近 80%。
在 Terminal Bench 4.0 上，Kimi K3.1 Pro 落后 Claude Opus 5.5 不到 1 分，同时领先 GPT-6 Astra。
V4.1 Flash 1017在Terminal-Bench 4.0上的得分从31.2%提升到42.3%，五周内相对提升35%。
DeepSeek V4.1 Flash 1017在Terminal Bench 4.0上从31.2升至42.3，Program Bench从20.2升至42.3，Agent's Last Exam从31.8升至35.4，Apex Bench从64.6升至72.1，Chartography从78.9升至83.0，Baby Vision从89.6升至92.5。
Terminal Bench 4.0分数从31.2分升至42.3分，提升11.1分。
DeepSeek V4.1 Flash 1017 在 Terminal Bench 4.0 上的得分从 31.2% 提升至 42.3%，超过 GPT 5.6 Sol 的 39.9%。
DeepSeek V4.1-Flash-1017 在 Terminal-Bench 4.0 基准上相比上一版本提升了 11 分。
Gemini 4 Argon 在 Terminal Bench 4.0 中输给了 Cloud Opus 5.5，在 Frontier SWB 套中输给了 GPT-6 Astra。
还有 13 条时间轴事件
全部知识事实 (20)
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
90%已验证在 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%
65%部分验证DeepSeek V4.1-Flash-1017 在 Terminal-Bench 4.0 基准上相比上一版本提升了 11 分。
75%部分验证V4.1 Flash 1017在Terminal-Bench 4.0上的得分从31.2%提升到42.3%，五周内相对提升35%。
65%待验证Gemini 4 Carbon在Terminal Bench上的作弊成功率为0.0%。
60%待验证在 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
60%待验证在Terminal Bench 4.0最高精度测试中，Fable 5.1准确率为55.8%，成本为19.50美元；Astra准确率为56.7%，成本为10.35美元
60%待验证Terminal-Bench 2.1 是该基准的迭代版本
60%待验证在 Terminal Bench 4.0 终端工程测试中，Carbon 得分 65.2%，领先 Opus 5.5 的 59.6%。
50%待验证Carbon 在 Terminal-Bench 4.0 上成功作弊率降至 0.0%，作弊尝试降至 0.4%；内部真实编码环境中高危失准告警下降近 80%。
50%待验证在 Terminal Bench 4.0 上，Kimi K3.1 Pro 落后 Claude Opus 5.5 不到 1 分，同时领先 GPT-6 Astra。
50%待验证DeepSeek V4.1 Flash 1017在Terminal Bench 4.0上从31.2升至42.3，Program Bench从20.2升至42.3，Agent's Last Exam从31.8升至35.4，Apex Bench从64.6升至72.1，Chartography从78.9升至83.0，Baby Vision从89.6升至92.5。
50%待验证Terminal Bench 4.0分数从31.2分升至42.3分，提升11.1分。
50%待验证DeepSeek V4.1 Flash 1017 在 Terminal Bench 4.0 上的得分从 31.2% 提升至 42.3%，超过 GPT 5.6 Sol 的 39.9%。
50%待验证Gemini 4 Argon 在 Terminal Bench 4.0 中输给了 Cloud Opus 5.5，在 Frontier SWB 套中输给了 GPT-6 Astra。
50%待验证Haiku 5.5 在 Terminal Bench 4.0 上的得分从上一代的0%提升至39.2%
50%待验证Opus 5.5 在 Terminal Bench 4.0 测试中表现超过了 Astra 和 Fable 5.1
50%待验证Claude Opus 5.5 在 Terminal Bench 上的得分约为 66.4
50%待验证在 Terminal Bench 4.0 最高难度设置下，Sonnet 5.5 的表现超过 Opus 5.5
50%待验证在Terminal Bench 4.0上，Astra成本约10.35美元，Fable 5.1约19.50美元
50%