Benchmark · agentic

Terminal-Bench 2

13 résultats 10 modèles

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

Chronologie

Date	Modèle	Score	Source
2026-07-21	Gemini 3.5 Flash-Lite	54.0%	Google publie Gemini 3.6 Flash, 3.5 Flash-Lite et 3.5 Flash Cyber pour les charges de travail agentic
2026-07-21	Gemini 3.5 Flash-Lite	54.0%	Google lance Gemini 3.6 Flash, 3.5 Flash-Lite et 3.5 Flash Cyber
2026-07-08	hermes	55.0%	Les utilisateurs comparent Mimo v2.5 à DeepSeek V4 Flash et Hermes
2026-07-08	Grok 4.5	83.3%	xAI lance Grok 4.5 à faible coût avec des performances de benchmark mitigées
2026-07-07	LLM-as-a-Verifier	86.5%	LLM-as-a-Verifier introduit un cadre de vérification polyvalent avec notation continue
2026-07-05	GLM 5.2 FP8 with FP8 KV	79.8%	GLM 5.2 FP8 avec KV FP8 atteint 79,8 % sur Terminal-Bench 2.1
2026-04-25	Qwen3.6-27B	59.3%	Alibaba lance Qwen3.6-27B, surpassant son prédécesseur plus grand sur les benchmarks de codage
2026-04-25	GPT-5.5	82.7%	OpenAI lance GPT-5.5, un modèle entièrement réentraîné avec traitement omnimodal natif
2026-04-23	GPT-5.5	82.7%	OpenAI lance GPT-5.5 et GPT-5.5 Pro via l'API
2026-04-23	GPT-5.5	82.7%	OpenAI lance GPT-5.5 avec des capacités agentic et un doublement du prix de l'API
2026-04-12	MiniMax M2.7	57.0%	MiniMax open-source M2.7, un modèle MoE auto-évolutif atteignant 56,22 % sur SWE-Pro
2026-02-10	Step 3.5 Flash	51.0%	Étape 3.5 Flash : un modèle MoE à 11B actifs atteint des performances agentic de pointe
2025-11-19	GPT-5.1-Codex-Max	58.1%	OpenAI fait de GPT-5.1-Codex-Max le modèle par défaut dans Codex CLI