korshunov.ai ML の重要ニュースを一望
JA
ベンチマーク · agentic

Terminal-Bench 2

13 結果 10 モデル

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 23 46 69 92 2025-11-19 2026-03-21 2026-07-21 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 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
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
タイムライン
日付 モデル スコア ソース
2026-07-21 Gemini 3.5 Flash-Lite 54.0% Google、エージェントワークロード向けにGemini 3.6 Flash、3.5 Flash-Lite、3.5 Flash Cyberをリリース
2026-07-21 Gemini 3.5 Flash-Lite 54.0% Google、Gemini 3.6 Flash、3.5 Flash-Lite、3.5 Flash Cyberをリリース
2026-07-08 hermes 55.0% ユーザーがMimo v2.5をDeepSeek V4 FlashおよびHermesと比較ベンチマーク
2026-07-08 Grok 4.5 83.3% xAIが低コストでベンチマーク性能は混合のGrok 4.5をリリース
2026-07-07 LLM-as-a-Verifier 86.5% LLM-as-a-Verifierが継続的スコアリングによる汎用検証フレームワークを導入
2026-07-05 GLM 5.2 FP8 with FP8 KV 79.8% GLM 5.2 FP8とFP8 KVによりTerminal-Bench 2.1で79.8%を達成
2026-04-25 Qwen3.6-27B 59.3% アリババ、Qwen3.6-27Bをリリース、コーディングベンチマークでより大きな後継モデルを上回る
2026-04-25 GPT-5.5 82.7% OpenAIがGPT-5.5をリリース、ネイティブオムニモーダル処理を搭載したゼロからの再学習モデル
2026-04-23 GPT-5.5 82.7% OpenAIがAPIでGPT-5.5およびGPT-5.5 Proをリリース
2026-04-23 GPT-5.5 82.7% OpenAIがGPT-5.5をリリース、エージェント機能搭載とAPI価格の倍増
2026-04-12 MiniMax M2.7 57.0% MiniMaxが自己進化型MoEモデルM2.7をオープンソース化、SWE-Proで56.22%のスコアを記録
2026-02-10 Step 3.5 Flash 51.0% ステップ3.5 Flash: 11BアクティブなMoEモデルが最前級のエージェント性能を実現
2025-11-19 GPT-5.1-Codex-Max 58.1% OpenAI、Codex CLIのデフォルトにGPT-5.1-Codex-Maxを採用