korshunov.ai L'essentiel du monde ML
FR
Benchmark · agentic

Terminal-Bench 2

40 résultats 31 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).

0 25 50 75 100 2025-11-19 2026-04-15 2026-09-10 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 Qwen3.6-27B · 60.7 · 2026-08-10 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 Gemini 3.5 Flash-Lite · 54 · 2026-07-27 KAT-Coder-V2.5 · 60.7 · 2026-07-26 DeepSeek-V4-Flash · 82.7 · 2026-07-31 DeepSeek-V4-Flash · 79 · 2026-08-01 DeepSeek-V4-Flash-0731 · 82.7 · 2026-07-31 DeepSeek-V4-Flash-0731 · 82.7 · 2026-08-07 V4 Flash 0731 · 79 · 2026-08-01 Inkling-Small · 64.7 · 2026-08-03 Qwen3.8-Max · 86.6 · 2026-08-03 Qwen3.8-Max · 67.4 · 2026-08-05 Muse Spark 1.1 · 80 · 2026-08-05 Pokee-Isaac 28B · 65.1 · 2026-08-08 DeepSeek V4 Flash 0731 · 82.7 · 2026-08-09 Opus 5 · 86.7 · 2026-08-11 Grok 4.6 · 88.4 · 2026-08-13 Grok 4.6 · 88.4 · 2026-08-21 DeepSeek-V4-Pro · 87.9 · 2026-08-13 Ornith-1.5 · 86.1 · 2026-08-19 agents · 94 · 2026-08-20 DeepSeek-V4-Flash-Vision-Exp · 83.9 · 2026-08-21 Granite 4.2 30B · 29.2 · 2026-08-26 Granite 4.2 8B · 20.6 · 2026-08-26 Muse Spark 1.3 · 88.8 · 2026-09-04 K2-Horizon-MoVA-36B-A4B · 58.6 · 2026-09-07 K2-Horizon-375B-A23B · 66.9 · 2026-09-07 DeepSeek-V4.1-Flash · 90.6 · 2026-09-10
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 KAT-Coder-V2.5 DeepSeek-V4-Flash DeepSeek-V4-Flash-0731 V4 Flash 0731 Inkling-Small Qwen3.8-Max Muse Spark 1.1 Pokee-Isaac 28B DeepSeek V4 Flash 0731 Opus 5 Grok 4.6 DeepSeek-V4-Pro Ornith-1.5 agents DeepSeek-V4-Flash-Vision-Exp Granite 4.2 30B Granite 4.2 8B Muse Spark 1.3 K2-Horizon-MoVA-36B-A4B K2-Horizon-375B-A23B DeepSeek-V4.1-Flash
Chronologie
Date Modèle Score Source
2026-09-10 DeepSeek-V4.1-Flash 90.6% DeepSeek lance le modèle V4.1-Flash avec support multimodal natif
2026-09-07 K2-Horizon-MoVA-36B-A4B 58.6% IFM publie K2 Horizon : six modèles Apache 2.0 de 0,9B à 375B
2026-09-07 K2-Horizon-375B-A23B 66.9% IFM publie K2 Horizon : six modèles Apache 2.0 de 0,9B à 375B
2026-09-04 Muse Spark 1.3 88.8% Meta lance Muse Spark 1.3 avec moins d'appels d'outils et de tokens
2026-08-26 Granite 4.2 30B 29.24% IBM publie Granite 4.2 avec raisonnement natif et RL agentique pour les modèles d'entreprise ouverts
2026-08-26 Granite 4.2 8B 20.56% IBM publie Granite 4.2 avec raisonnement natif et RL agentique pour les modèles d'entreprise ouverts
2026-08-21 Grok 4.6 88.4% SpaceXAI présente Grok 4.6 avec des données Cursor pour les tâches agentic
2026-08-21 DeepSeek-V4-Flash-Vision-Exp 83.9% DeepSeek lance le modèle multimodal DeepSeek-V4-Flash-Vision-Exp
2026-08-20 agents 94.0% Meta publie Muse Video avec audio natif ; Stripe acquiert OpenRouter
2026-08-19 Ornith-1.5 86.1% Ornith-1.5 lance des modèles de 9B, 35B-A3B et 397B avec un entraînement auto-améliorant
2026-08-13 DeepSeek-V4-Pro 87.9% La version GA de DeepSeek-V4-Pro améliore les capacités des agents et ajoute le support de l'API Responses
2026-08-13 Grok 4.6 88.4% xAI publie Grok 4.6 ; Alibaba ouvre Qwen3.8-MoE ; DeepSeek V4 Pro GA
2026-08-11 Opus 5 86.74% L'agent auto-développant Ouroboros établit de nouveaux records avec Opus 5
2026-08-10 Qwen3.6-27B 60.7% Meta publie Muse Glimmer, un modèle agentique open-weights de 30B fonctionnant sur un GPU grand public
2026-08-09 DeepSeek V4 Flash 0731 82.7% DeepSeek V4 Flash 0731 atteint 82,7 % sur Terminal-Bench 2.1 dans un environnement public
2026-08-08 Pokee-Isaac 28B 65.1% Pokee AI publie Pokee-Isaac 28B, un modèle de contexte de 10M de tokens pour un déploiement en périmètre fermé
2026-08-07 DeepSeek-V4-Flash-0731 82.7% DeepSeek publie V4-Flash-0731, surpassant V4-Pro à moindre coût
2026-08-05 Muse Spark 1.1 80.0% Meta publie l'agent terminal beta Muse Code alimenté par Muse Spark 1.2
2026-08-05 Qwen3.8-Max 67.4% Alibaba annonce Qwen3.8-Max avec 2,4T de paramètres et des poids ouverts à venir
2026-08-03 Qwen3.8-Max 86.6% Alibaba publie Qwen3.8-Max, un modèle MoE de 2,4 T de paramètres
2026-08-03 Inkling-Small 64.7% Thinking Machines Lab publie Inkling-Small, un modèle MoE multimodal à poids ouverts de 276B
2026-08-01 V4 Flash 0731 79.0% DeepSeek publie V4-Flash avec d'importants gains post-entraînement et des poids ouverts
2026-08-01 DeepSeek-V4-Flash 79.0% DeepSeek publie V4-Flash avec des gains post-entraînement et des poids ouverts
2026-07-31 DeepSeek-V4-Flash-0731 82.7% DeepSeek publie V4-Flash-0731 avec d'importantes améliorations agentic à moindre coût
2026-07-31 DeepSeek-V4-Flash 82.7% DeepSeek lance la version bêta publique de DeepSeek-V4-Flash avec des capacités d'agent améliorées
2026-07-27 Gemini 3.5 Flash-Lite 54.0% Google lance Gemini 3.6 Flash, 3.5 Flash-Lite et 3.5 Flash Cyber
2026-07-26 KAT-Coder-V2.5 60.7% KwaiKAT publie KAT-Coder-V2.5, un modèle de codage agentique entraîné sur plus de 100 000 environnements vérifiables
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 avec des capacités agentic et un doublement du prix de l'API
2026-04-23 GPT-5.5 82.7% OpenAI lance GPT-5.5 et GPT-5.5 Pro via 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