Benchmark · agentic

Terminal-Bench 2

13 نتائج 10 نماذج

Harbor/Terminus-2 89-task terminal-agent suite; 2.0 and 2.1 are the same task set, so one series. File here only when the quote says 2.0 / 2.1 / v2 — not the original suite (terminal-bench), and not the harder 'Terminal-Bench Hard' subset (not in this catalog).

GPT-5.1-Codex-Max Step 3.5 Flash MiniMax M2.7 GPT-5.5 Qwen3.6-27B GLM 5.2 FP8 with FP8 KV LLM-as-a-Verifier Grok 4.5 hermes Gemini 3.5 Flash-Lite

الجدول الزمني

التاريخ	النموذج	النتيجة	المصدر
2026-07-21	Gemini 3.5 Flash-Lite	54.0%	جوجل تطلق نماذج جيميناي 3.6 فلاش، و3.5 فلاش-لايت، و3.5 فلاش سايبير لأعباء العمل الوكيلية
2026-07-21	Gemini 3.5 Flash-Lite	54.0%	جوجل تطلق جيميني 3.6 فلاش، و3.5 فلاش-لايت، و3.5 فلاش سايبير
2026-07-08	hermes	55.0%	مقاييس المستخدم لـ Mimo v2.5 ضد DeepSeek V4 Flash و Hermes
2026-07-08	Grok 4.5	83.3%	إكس آي تطلق غروك 4.5 بتكلفة منخفضة وأداء مختلط في الاختبارات المرجعية
2026-07-07	LLM-as-a-Verifier	86.5%	LLM-as-a-Verifier يقدم إطار عمل تحقق عام مع تقييم مستمر
2026-07-05	GLM 5.2 FP8 with FP8 KV	79.8%	GLM 5.2 FP8 مع KV FP8 يحقق 79.8% على Terminal-Bench 2.1
2026-04-25	Qwen3.6-27B	59.3%	أليبا تطلق Qwen3.6-27B، متفوقةً على سلفها الأكبر في معايير الترميز
2026-04-25	GPT-5.5	82.7%	OpenAI تطلق GPT-5.5، نموذج مُعاد تدريبه من الصفر مع معالجة أومني مودال أصلية
2026-04-23	GPT-5.5	82.7%	OpenAI تطلق GPT-5.5 وGPT-5.5 Pro عبر واجهة برمجة التطبيقات
2026-04-23	GPT-5.5	82.7%	OpenAI تطلق GPT-5.5 بقدرات وكيلية ومضاعفة أسعار واجهة برمجة التطبيقات
2026-04-12	MiniMax M2.7	57.0%	MiniMax تطلق M2.7 كمصدر مفتوح، نموذج MoE يتطور ذاتياً بحصوله على 56.22% في SWE-Pro
2026-02-10	Step 3.5 Flash	51.0%	الخطوة 3.5 فلاش: نموذج MoE النشط بـ 11 مليار معلمة يحقق أداءً وكيلاً على المستوى المتقدم
2025-11-19	GPT-5.1-Codex-Max	58.1%	OpenAI تجعل GPT-5.1-Codex-Max الافتراضي في Codex CLI