Benchmark · agentic

Terminal-Bench 2

13 hasil 10 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).

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

Linimasa

Tanggal	Model	Skor	Sumber
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 dan GPT-5.5 Pro melalui API
2026-04-23	GPT-5.5	82.7%	OpenAI merilis GPT-5.5 dengan kemampuan agentic dan penggandaan harga 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