korshunov.ai Semua yang penting di dunia ML
ID
Benchmark · agentic

Terminal-Bench 2

40 hasil 31 model

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
Linimasa
Tanggal Model Skor Sumber
2026-09-10 DeepSeek-V4.1-Flash 90.6% DeepSeek merilis model V4.1-Flash dengan dukungan multimodal asli
2026-09-07 K2-Horizon-MoVA-36B-A4B 58.6% IFM merilis K2 Horizon: enam model Apache 2.0 dari 0,9B hingga 375B
2026-09-07 K2-Horizon-375B-A23B 66.9% IFM merilis K2 Horizon: enam model Apache 2.0 dari 0,9B hingga 375B
2026-09-04 Muse Spark 1.3 88.8% Meta merilis Muse Spark 1.3 dengan lebih sedikit panggilan alat dan token
2026-08-26 Granite 4.2 30B 29.24% IBM merilis Granite 4.2 dengan penalaran asli dan RL agens untuk model perusahaan terbuka
2026-08-26 Granite 4.2 8B 20.56% IBM merilis Granite 4.2 dengan penalaran asli dan RL agens untuk model perusahaan terbuka
2026-08-21 Grok 4.6 88.4% SpaceXAI memperkenalkan Grok 4.6 dengan data Cursor untuk pekerjaan agentic
2026-08-21 DeepSeek-V4-Flash-Vision-Exp 83.9% DeepSeek merilis model multimodal DeepSeek-V4-Flash-Vision-Exp
2026-08-20 agents 94.0% Meta merilis Muse Video dengan audio asli; Stripe mengakuisisi OpenRouter
2026-08-19 Ornith-1.5 86.1% Ornith-1.5 merilis model 9B, 35B-A3B, dan 397B dengan pelatihan peningkatan mandiri
2026-08-13 DeepSeek-V4-Pro 87.9% Rilis GA DeepSeek-V4-Pro meningkatkan kemampuan agen dan menambahkan dukungan API Respons
2026-08-13 Grok 4.6 88.4% xAI merilis Grok 4.6; Alibaba membuka Qwen3.8-MoE; DeepSeek V4 Pro GA
2026-08-11 Opus 5 86.74% Agen Ouroboros yang berkembang sendiri menetapkan tolok ukur baru dengan Opus 5
2026-08-10 Qwen3.6-27B 60.7% Meta merilis Muse Glimmer, model agen berbobot terbuka 30B yang berjalan pada satu GPU konsumen
2026-08-09 DeepSeek V4 Flash 0731 82.7% DeepSeek V4 Flash 0731 mencapai 82.7% di Terminal-Bench 2.1 dengan harness publik
2026-08-08 Pokee-Isaac 28B 65.1% Pokee AI merilis Pokee-Isaac 28B, model konteks 10M-token untuk deployment dalam batas yang ditentukan
2026-08-07 DeepSeek-V4-Flash-0731 82.7% DeepSeek merilis V4-Flash-0731, melampaui V4-Pro dengan biaya lebih rendah
2026-08-05 Muse Spark 1.1 80.0% Meta merilis agen terminal beta Muse Code yang didukung oleh Muse Spark 1.2
2026-08-05 Qwen3.8-Max 67.4% Alibaba mengumumkan Qwen3.8-Max dengan 2.4T parameter dan bobot terbuka yang akan datang
2026-08-03 Qwen3.8-Max 86.6% Alibaba merilis Qwen3.8-Max, model MoE dengan 2,4 triliun parameter
2026-08-03 Inkling-Small 64.7% Thinking Machines Lab merilis Inkling-Small, model MoE multimodal dengan bobot terbuka 276B
2026-08-01 V4 Flash 0731 79.0% DeepSeek merilis V4-Flash dengan peningkatan besar pasca-pelatihan dan bobot terbuka
2026-08-01 DeepSeek-V4-Flash 79.0% DeepSeek merilis V4-Flash dengan peningkatan pasca-pelatihan dan bobot terbuka
2026-07-31 DeepSeek-V4-Flash-0731 82.7% DeepSeek merilis V4-Flash-0731 dengan peningkatan agentic signifikan dan biaya lebih rendah
2026-07-31 DeepSeek-V4-Flash 82.7% DeepSeek merilis DeepSeek-V4-Flash dalam beta publik dengan kemampuan agen yang ditingkatkan
2026-07-27 Gemini 3.5 Flash-Lite 54.0% Google merilis Gemini 3.6 Flash, 3.5 Flash-Lite, dan 3.5 Flash Cyber
2026-07-26 KAT-Coder-V2.5 60.7% KwaiKAT merilis KAT-Coder-V2.5, model koding agentic yang dilatih pada lebih dari 100.000 lingkungan yang dapat diverifikasi
2026-07-21 Gemini 3.5 Flash-Lite 54.0% Google merilis Gemini 3.6 Flash, 3.5 Flash-Lite, dan 3.5 Flash Cyber untuk beban kerja agentic
2026-07-21 Gemini 3.5 Flash-Lite 54.0% Google merilis Gemini 3.6 Flash, 3.5 Flash-Lite, dan 3.5 Flash Cyber
2026-07-08 hermes 55.0% Pengguna membandingkan Mimo v2.5 dengan DeepSeek V4 Flash dan Hermes
2026-07-08 Grok 4.5 83.3% xAI merilis Grok 4.5 dengan biaya rendah dan kinerja benchmark campuran
2026-07-07 LLM-as-a-Verifier 86.5% LLM-as-a-Verifier memperkenalkan kerangka verifikasi serbaguna dengan skor kontinu
2026-07-05 GLM 5.2 FP8 with FP8 KV 79.8% GLM 5.2 FP8 dengan KV FP8 mencapai 79,8% pada Terminal-Bench 2.1
2026-04-25 Qwen3.6-27B 59.3% Alibaba merilis Qwen3.6-27B, mengungguli pendahulu yang lebih besar dalam benchmark pemrograman
2026-04-25 GPT-5.5 82.7% OpenAI merilis GPT-5.5, model yang dilatih ulang dari awal dengan pemrosesan omnimodal asli
2026-04-23 GPT-5.5 82.7% OpenAI merilis GPT-5.5 dengan kemampuan agentic dan penggandaan harga API
2026-04-23 GPT-5.5 82.7% OpenAI merilis GPT-5.5 dan GPT-5.5 Pro melalui API
2026-04-12 MiniMax M2.7 57.0% MiniMax membuka sumber M2.7, model MoE yang berevolusi sendiri dengan skor 56,22% di SWE-Pro
2026-02-10 Step 3.5 Flash 51.0% Langkah 3.5 Flash: model MoE aktif 11B mencapai kinerja agentic tingkat terdepan
2025-11-19 GPT-5.1-Codex-Max 58.1% OpenAI menjadikan GPT-5.1-Codex-Max sebagai default di Codex CLI