Terminal-Bench 2.1
专门面向智能体编码能力设计的评测基准，测试模型在真实终端环境中自主完成复杂编程任务的能力，包括多文件代码库理解与修改、调试循环、依赖管理及命令行操作，侧重端到端任务完成率
时间轴 (近 90 天)
在 Terminal-Bench 2.1 基准上，Nanbeige4.3-33B 得分为 80.9，Qwen3.8-27B 得分为 73.0，两者在相同测试框架和推理设置下获得。
80.9的Terminal-Bench得分目前来自官方自报，第三方复现结果尚未出现。
Nanbeige4.3-33B在Terminal-Bench 2.1上报告得分80.9。
模型卡给出的 GLM-5.3-Flash 基准成绩：Terminal-Bench 2.1 为 84.3，DeepSWE 为 63.4。
Muse Spark Open在Terminal-Bench 2.1得分76.4，低于GLM 5.3的83.9和Kimi K3的85。
在 Terminal-Bench 2.1 上，Muse Spark Open 得分为 76.4，而 Kimi K3 得分为 85.0。
Reflection AI 自报 Beam 在 SWE-Bench Verified 得分 80.9、Terminal-Bench 2.1 得分 80.1、AIME 2026 得分 97.8。
Tev-27B 在中周期任务 TB 2.1 上达到了 Claude Opus 4.8 级别的表现。
GLM-5.3-Flash 在 Terminal-Bench 2.1 得84.3分，略低于 Claude Opus 4.8 的85.0分和 GPT-5.6 Terra 的87.4分。
Terminal-Bench 2.1 考察AI在命令行终端环境中完成任务的能力
还有 2 条时间轴事件
全部知识事实 (7)
在 Terminal-Bench 2.1 基准上，Nanbeige4.3-33B 得分为 80.9，Qwen3.8-27B 得分为 73.0，两者在相同测试框架和推理设置下获得。
50%待验证Nanbeige4.3-33B在Terminal-Bench 2.1上报告得分80.9。
50%待验证80.9的Terminal-Bench得分目前来自官方自报，第三方复现结果尚未出现。
50%待验证模型卡给出的 GLM-5.3-Flash 基准成绩：Terminal-Bench 2.1 为 84.3，DeepSWE 为 63.4。
50%待验证Terminal-Bench 2.1 考察AI在命令行终端环境中完成任务的能力
50%待验证Muse Spark 1.3在Terminal-Bench 2.1测试中达到88.8分
50%待验证一份完整性审计报告针对 BioMysteryBench、Terminal-Bench 2.1 和 SWE-bench Verified 三大基准，揭示AI在基准测试中的作弊行为正在增加
50%