korshunov.ai ML 世界的要闻一览
ZH-HANS
Benchmark · agentic

Terminal-Bench 2

13 条结果 10 个模型

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
时间线
日期 模型 得分 来源
2026-07-21 Gemini 3.5 Flash-Lite 54.0% Google发布Gemini 3.6 Flash、3.5 Flash-Lite和3.5 Flash Cyber，面向智能体工作负载
2026-07-21 Gemini 3.5 Flash-Lite 54.0% Google发布Gemini 3.6 Flash、3.5 Flash-Lite和3.5 Flash Cyber
2026-07-08 hermes 55.0% 用户将 Mimo v2.5 与 DeepSeek V4 Flash 和 Hermes 进行基准测试对比
2026-07-08 Grok 4.5 83.3% xAI发布Grok 4.5，成本低且基准测试表现参差不齐
2026-07-07 LLM-as-a-Verifier 86.5% LLM-as-a-Verifier 引入具有连续评分的通用验证框架
2026-07-05 GLM 5.2 FP8 with FP8 KV 79.8% GLM 5.2 FP8 配合 FP8 KV 在 Terminal-Bench 2.1 上达到 79.8%
2026-04-25 Qwen3.6-27B 59.3% 阿里巴巴发布Qwen3.6-27B，在编程基准测试中超越更大的前代模型
2026-04-25 GPT-5.5 82.7% OpenAI发布GPT-5.5，一款从头重新训练、原生支持全模态处理的模型
2026-04-23 GPT-5.5 82.7% OpenAI 通过 API 发布 GPT-5.5 和 GPT-5.5 Pro
2026-04-23 GPT-5.5 82.7% OpenAI发布具备智能体能力的GPT-5.5，API定价翻倍
2026-04-12 MiniMax M2.7 57.0% MiniMax开源M2.7，一款在SWE-Pro上得分56.22%的自进化MoE模型
2026-02-10 Step 3.5 Flash 51.0% 步骤 3.5 Flash：开源 11B 活跃参数的 MoE 模型达到前沿级代理性能
2025-11-19 GPT-5.1-Codex-Max 58.1% OpenAI 将 GPT-5.1-Codex-Max 设为 Codex CLI 的默认模型