Benchmark · agentic

Terminal-Bench 2

13 परिणाम 10 मॉडल

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

समयरेखा

तारीख़	मॉडल	स्कोर	स्रोत
2026-07-21	Gemini 3.5 Flash-Lite	54.0%	एजेंटिक लोड के लिए Google ने Gemini 3.6 Flash, 3.5 Flash-Lite और 3.5 Flash Cyber जारी किए
2026-07-21	Gemini 3.5 Flash-Lite	54.0%	गूगल ने गेमिनी 3.6 फ्लैश, 3.5 फ्लैश-लाइट और 3.5 फ्लैश साइबर जारी किए
2026-07-08	hermes	55.0%	उपयोगकर्ताओं ने Mimo v2.5 की तुलना DeepSeek V4 Flash और Hermes से की
2026-07-08	Grok 4.5	83.3%	xAI ने कम लागत और मिश्रित बेंचमार्क प्रदर्शन के साथ Grok 4.5 जारी किया
2026-07-07	LLM-as-a-Verifier	86.5%	LLM-as-a-Verifier ने निरंतर स्कोरिंग के साथ सामान्य उद्देश्य सत्यापन ढांचा पेश किया
2026-07-05	GLM 5.2 FP8 with FP8 KV	79.8%	GLM 5.2 FP8 with FP8 KV ने Terminal-Bench 2.1 पर 79.8% हासिल किया
2026-04-25	Qwen3.6-27B	59.3%	अलिबाबा ने Qwen3.6-27B जारी किया, कोडिंग बेंचमार्क्स पर बड़े पूर्ववर्ती को हराया
2026-04-25	GPT-5.5	82.7%	OpenAI ने GPT-5.5 जारी किया, एक नई आधार से पुनः प्रशिक्षित मॉडल जिसमें मूल ओमिमोडल प्रोसेसिंग है
2026-04-23	GPT-5.5	82.7%	OpenAI ने API के माध्यम से GPT-5.5 और GPT-5.5 Pro जारी किया
2026-04-23	GPT-5.5	82.7%	ओपनएआई ने एजेंटिक क्षमताओं और दोगुनी एपीआई मूल्य निर्धारण के साथ जीपीटी-5.5 जारी की
2026-04-12	MiniMax M2.7	57.0%	MiniMax ने M2.7 को ओपन-सोर्स किया, जो SWE-Pro पर 56.22% स्कोर करने वाला एक स्व-विकासशील MoE मॉडल है
2026-02-10	Step 3.5 Flash	51.0%	चरण 3.5 फ्लैश: खुला 11B-सक्रिय MoE मॉडल अग्रणी स्तर की एजेंटिक प्रदर्शन प्राप्त करता है
2025-11-19	GPT-5.1-Codex-Max	58.1%	OpenAI ने Codex CLI में GPT-5.1-Codex-Max को डिफ़ॉल्ट बना दिया