基准TerminalBench

TerminalBench 4.0

评估大语言模型在终端环境中编写代码能力的基准测试。

时间轴 (近 90 天)

10月30日

在TerminalBench 4.0上，Large 4得分41%，比三周前的预览版提升13个百分点，Mistral称其在开源模型中排第一。

待验证50%

10月18日

DeepSeek 公布的 11 项基准中，1017 全部超越前代：Tools 从 36.8 升至 42.6，DeepSWE 从 74.2 升至 77.0，ProgramBench 从 20.3 升至 29.1，TerminalBench 4.0 从 31.2 升至 42.3。

待验证50%

10月4日

Gemini 4在DeepSui上以77.9%刷新纪录（Opus 5.5为74.2%），但在FrontierSui上仅55%，在TerminalBench 4.0上以57.4%垫底

已过期50%

在TerminalBench 4.0上，Large 4得分41%，比三周前的预览版提升13个百分点，Mistral称其在开源模型中排第一。

DeepSeek 公布的 11 项基准中，1017 全部超越前代：Tools 从 36.8 升至 42.6，DeepSWE 从 74.2 升至 77.0，ProgramBench 从 20.3 升至 29.1，TerminalBench 4.0 从 31.2 升至 42.3。