أطلق الباحثون Terminal-Bench 2.0، وهو معيار مصمم لتقييم وكلاء الذكاء الاصطناعي في مهام واجهة سطر الأوامر الصعبة والواقعية التي تفشل المقاييس الحالية في التقاطها بشكل ذي معنى.
يتكون المعيار من 89 مهمة تم انتقاؤها بعناية ضمن بيئات طرفية للكمبيوتر، وتتميز كل منها بإعدادات فريدة وحلول مكتوبة بشريًا واختبارات تحقق شاملة. تظهر نتائج التقييم أن النماذج والوكلاء المتقدمة تحصل على أقل من 65% في هذه المهام. أجرى المؤلفون تحليلًا للأخطاء لتحديد مجالات محددة للتحسين في قدرات النماذج والوكلاء.
تم نشر مجموعة البيانات وأداة التقييم لمساعدة المطورين والباحثين على التقدم في إكمال المهام المستقلة في بيئات الطرفية.