korshunov.ai Todo lo importante del mundo ML
ES
Benchmark · agentic

Terminal-Bench 2

15 resultados 12 modelos

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).

0 23 46 69 92 2025-11-19 2026-03-21 2026-07-21 GPT-5.1-Codex-Max · 58.1 · 2025-11-19 Step 3.5 Flash · 51 · 2026-02-10 MiniMax M2.7 · 57 · 2026-04-12 GPT-5.5 · 82.7 · 2026-04-23 GPT-5.5 · 82.7 · 2026-04-23 GPT-5.5 · 82.7 · 2026-04-25 Qwen3.6-27B · 59.3 · 2026-04-25 Tmax · 27 · 2026-06-27 Tmax-27B · 43 · 2026-06-27 GLM 5.2 FP8 with FP8 KV · 79.8 · 2026-07-05 LLM-as-a-Verifier · 86.5 · 2026-07-07 Grok 4.5 · 83.3 · 2026-07-08 hermes · 55 · 2026-07-08 Gemini 3.5 Flash-Lite · 54 · 2026-07-21 Gemini 3.5 Flash-Lite · 54 · 2026-07-21
GPT-5.1-Codex-Max Step 3.5 Flash MiniMax M2.7 GPT-5.5 Qwen3.6-27B Tmax Tmax-27B GLM 5.2 FP8 with FP8 KV LLM-as-a-Verifier Grok 4.5 hermes Gemini 3.5 Flash-Lite
Cronología
Fecha Modelo Puntuación Fuente
2026-07-21 Gemini 3.5 Flash-Lite 54.0% Google lanza Gemini 3.6 Flash, 3.5 Flash-Lite y 3.5 Flash Cyber para cargas de trabajo agénticas
2026-07-21 Gemini 3.5 Flash-Lite 54.0% Google lanza Gemini 3.6 Flash, 3.5 Flash-Lite y 3.5 Flash Cyber
2026-07-08 hermes 55.0% Los usuarios comparan Mimo v2.5 con DeepSeek V4 Flash y Hermes
2026-07-08 Grok 4.5 83.3% xAI lanza Grok 4.5 con bajo costo y rendimiento mixto en benchmarks
2026-07-07 LLM-as-a-Verifier 86.5% LLM-as-a-Verifier presenta un marco de verificación de propósito general con puntuación continua
2026-07-05 GLM 5.2 FP8 with FP8 KV 79.8% GLM 5.2 FP8 con KV FP8 alcanza 79,8% en Terminal-Bench 2.1
2026-06-27 Tmax-27B 43.0% Tmax-27B Agente Terminal para GPUs Pequeñas con Entrenamiento DPPO
2026-06-27 Tmax 27.0% Tmax: Una receta RL sencilla para agentes terminales
2026-04-25 Qwen3.6-27B 59.3% Alibaba lanza Qwen3.6-27B, superando al predecesor más grande en benchmarks de programación
2026-04-25 GPT-5.5 82.7% OpenAI lanza GPT-5.5, un modelo reentrenado desde cero con procesamiento omnimodal nativo
2026-04-23 GPT-5.5 82.7% OpenAI lanza GPT-5.5 con capacidades agénticas y duplica los precios de la API
2026-04-23 GPT-5.5 82.7% OpenAI lanza GPT-5.5 y GPT-5.5 Pro en la API
2026-04-12 MiniMax M2.7 57.0% MiniMax abre el código fuente de M2.7, un modelo MoE autoevolutivo que obtiene 56.22% en SWE-Pro
2026-02-10 Step 3.5 Flash 51.0% Paso 3.5 Flash: modelo MoE abierto con 11B activos alcanza rendimiento de agente de nivel fronterizo
2025-11-19 GPT-5.1-Codex-Max 58.1% OpenAI establece GPT-5.1-Codex-Max como predeterminado en Codex CLI