Terminal-Bench 4.0

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%

Terminal-Bench 4.0是面向命令行代理的评测集，要求模型在真实终端环境中完成多步操作，考察长程执行中的连贯性与自纠错能力。

在Automation Bench办公流程测试中，Gemini 4 Argon得分51.3%，GPT-6 Astra为41.4%，Claude Opus 5.5为42.5%

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

DeepSeek V4.1-Flash-1017 在 Terminal-Bench 4.0 基准上相比上一版本提升了 11 分。

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%。

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%。

GPT-6.1 Terra 在 Terminal-Bench 4.0 上取得 50.3% 的厂商自报成绩。

官方披露 Kimi K3.1 Pro 在 Terminal-Bench 4.0 基准上取得 65.7% 的得分。

Terminal-Bench 4.0 是一个面向终端环境的 agentic 编码评测基准，评分依据任务完成率而非文本相似度。

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

官方基准显示 DeepSWE v1.1 从 74.2 提升到 77.0（Mini-SWE-V2 环境），Terminal-Bench 4.0 从 31.2 提升到 42.3（Claude Code 环境）。

1017 检查点在 Terminal-Bench 4.0 上的得分从 31.2 提升到 42.3。

在 Terminal-Bench 4.0 基准上，V4.1 Flash 1017 得分为 42.3，V4 Pro 0813 得分为 12.4

新模型在厂商自己的11项基准测试中全部上涨，Terminal-Bench 4.0 提升 11.1 分，ProgramBench 提升 8.8 分。

官方自报数据显示，V4.1-Flash-1017 相比 V4.1-Flash 在 Terminal-Bench 4.0 上从 31.2 提升至 42.3（+11.1），HLE 从 36.8 提升至 42.6（+5.8），DeepSWE v1.1 从 74.2 提升至 77.0（+2.8），Automation-Bench 从 54.8 提升至 60.5（+5.7）。

DeepSeek-V4.1-Flash-1017 在 Terminal-Bench 4.0 上的得分从 V4.1-Flash 的 31.2 提升至 42.3。

在Terminal-Bench 4.0上，Haiku 5.5的39.2%对比Opus 5.5的70.6%。

Terminal-Bench 4.0的标准误差为±2.6分，Opus 5的51.8%复现为52.3%，Anthropic称之为噪声。