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

Terminal-Bench 2

40 結果 31 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 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
タイムライン
日付 モデル スコア ソース
2026-09-10 DeepSeek-V4.1-Flash 90.6% DeepSeekがネイティブマルチモーダルサポートを備えたV4.1-Flashモデルをリリース
2026-09-07 K2-Horizon-MoVA-36B-A4B 58.6% IFMがK2 Horizonをリリース：0.9Bから375Bまでの6つのApache 2.0モデル
2026-09-07 K2-Horizon-375B-A23B 66.9% IFMがK2 Horizonをリリース：0.9Bから375Bまでの6つのApache 2.0モデル
2026-09-04 Muse Spark 1.3 88.8% Meta、ツール呼び出しとトークンを削減した Muse Spark 1.3 をリリース
2026-08-26 Granite 4.2 30B 29.24% IBM、オープンエンタープライズモデル向けにネイティブ推論とエージェント型強化学習を備えたGranite 4.2をリリース
2026-08-26 Granite 4.2 8B 20.56% IBM、オープンエンタープライズモデル向けにネイティブ推論とエージェント型強化学習を備えたGranite 4.2をリリース
2026-08-21 Grok 4.6 88.4% SpaceXAIがエージェントワーク向けにCursorデータを搭載したGrok 4.6を発表
2026-08-21 DeepSeek-V4-Flash-Vision-Exp 83.9% DeepSeekがマルチモーダルモデル DeepSeek-V4-Flash-Vision-Exp をリリース
2026-08-20 agents 94.0% MetaがMuse Videoをネイティブ音声付きでリリース；StripeがOpenRouterを買収
2026-08-19 Ornith-1.5 86.1% Ornith-1.5が自己改善トレーニングを用いた9B、35B-A3B、397Bモデルをリリース
2026-08-13 DeepSeek-V4-Pro 87.9% DeepSeek-V4-Pro GAリリースでエージェント機能が強化され、Responses APIサポートが追加
2026-08-13 Grok 4.6 88.4% xAIがGrok 4.6をリリース；AlibabaがQwen3.8-MoEを公開；DeepSeek V4 Pro GA
2026-08-11 Opus 5 86.74% 自己進化型エージェントOuroborosがOpus 5で新ベンチマークを樹立
2026-08-10 Qwen3.6-27B 60.7% Metaが30Bのオープンウェイトエージェントモデル「Muse Glimmer」を1枚のコンシューマーGPUで動作可能として公開
2026-08-09 DeepSeek V4 Flash 0731 82.7% DeepSeek V4 Flash 0731 が公開ハーネスで Terminal-Bench 2.1 に 82.7% を達成
2026-08-08 Pokee-Isaac 28B 65.1% Pokee AIが境界内デプロイメント向けの10Mトークンコンテキストモデル「Pokee-Isaac 28B」をリリース
2026-08-07 DeepSeek-V4-Flash-0731 82.7% DeepSeekがV4-Flash-0731をリリース、低コストでV4-Proを上回る性能
2026-08-05 Muse Spark 1.1 80.0% MetaがMuse Spark 1.2を搭載したMuse Codeベータ版ターミナルエージェントをリリース
2026-08-05 Qwen3.8-Max 67.4% アリババ、2.4TパラメータのQwen3.8-Maxを発表し、間もなくオープンウェイトを公開
2026-08-03 Qwen3.8-Max 86.6% アリババが2.4兆パラメータのMoEモデル「Qwen3.8-Max」をリリース
2026-08-03 Inkling-Small 64.7% Thinking Machines Labが276Bのオープンウェイト多モーダルMoEモデルInkling-Smallをリリース
2026-08-01 V4 Flash 0731 79.0% DeepSeek、主要なポストトレーニングの改善とオープンウェイトを備えたV4-Flashをリリース
2026-08-01 DeepSeek-V4-Flash 79.0% DeepSeekがポストトレーニングの改善とオープンウェイトを備えたV4-Flashをリリース
2026-07-31 DeepSeek-V4-Flash-0731 82.7% DeepSeek、低コストでエージェント機能の大幅向上を実現したV4-Flash-0731をリリース
2026-07-31 DeepSeek-V4-Flash 82.7% DeepSeek、エージェント機能を強化した「DeepSeek-V4-Flash」をパブリックベータで公開
2026-07-27 Gemini 3.5 Flash-Lite 54.0% Google、Gemini 3.6 Flash、3.5 Flash-Lite、および3.5 Flash Cyberをリリース
2026-07-26 KAT-Coder-V2.5 60.7% KwaiKATが10万件以上の検証可能な環境で学習したエージェント型コーディングモデル「KAT-Coder-V2.5」をリリース
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
2026-04-23 GPT-5.5 82.7% OpenAIがAPIでGPT-5.5およびGPT-5.5 Proをリリース
2026-04-12 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