Benchmark · agentic

Terminal-Bench 2

13 resultados 10 modelos

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

Linha do tempo

Data	Modelo	Pontuação	Fonte
2026-07-21	Gemini 3.5 Flash-Lite	54.0%	Google lança Gemini 3.6 Flash, 3.5 Flash-Lite e 3.5 Flash Cyber para cargas de trabalho agênticas
2026-07-21	Gemini 3.5 Flash-Lite	54.0%	Google lança Gemini 3.6 Flash, 3.5 Flash-Lite e 3.5 Flash Cyber
2026-07-08	hermes	55.0%	Usuários comparam Mimo v2.5 contra DeepSeek V4 Flash e Hermes
2026-07-08	Grok 4.5	83.3%	xAI lança Grok 4.5 com baixo custo e desempenho misto em benchmarks
2026-07-07	LLM-as-a-Verifier	86.5%	LLM-as-a-Verifier apresenta framework de verificação de propósito geral com pontuação contínua
2026-07-05	GLM 5.2 FP8 with FP8 KV	79.8%	GLM 5.2 FP8 com KV FP8 atinge 79,8% no Terminal-Bench 2.1
2026-04-25	Qwen3.6-27B	59.3%	Alibaba lança Qwen3.6-27B, superando predecessor maior em benchmarks de codificação
2026-04-25	GPT-5.5	82.7%	OpenAI lança GPT-5.5, um modelo retreinado do zero com processamento omnimodal nativo
2026-04-23	GPT-5.5	82.7%	OpenAI lança GPT-5.5 e GPT-5.5 Pro na API
2026-04-23	GPT-5.5	82.7%	OpenAI lança GPT-5.5 com capacidades agênticas e preço de API dobrado
2026-04-12	MiniMax M2.7	57.0%	MiniMax abre o código-fonte do M2.7, um modelo MoE autoevolutivo que pontua 56.22% no SWE-Pro
2026-02-10	Step 3.5 Flash	51.0%	Passo 3.5 Flash: modelo MoE aberto com 11B ativos atinge desempenho de agente de nível fronteira
2025-11-19	GPT-5.1-Codex-Max	58.1%	OpenAI torna o GPT-5.1-Codex-Max o padrão no Codex CLI