Benchmark

Terminal-Bench

reasoning code text

Terminal-Bench is a benchmark for testing AI agents in real terminal environments. It evaluates how well agents can handle real-world, end-to-end tasks autonomously, including compiling code, training models, setting up servers, system administration, security tasks, data science workflows, and cybersecurity vulnerabilities. The benchmark consists of a dataset of ~100 hand-crafted, human-verified tasks and an execution harness that connects language models to a terminal sandbox.

Top 10

榜单概览

1GPT-5.6 Sol88.82Claude Fable 588.03GPT-5.6 Terra87.44GPT-5.6 Luna84.75GPT-5.584.16Grok 4.583.37GLM-5.282.78Claude Sonnet 580.49Muse Spark 1.180.010Gemini 3.5 Flash76.2
数据说明

分数为 0-100 百分制综合成绩(Elo 榜为相对评分,仅供同榜内比较)。评测分数属事实数据,整理自公开评测体系与厂商公开资料,部分分数为厂商自报口径,不同榜单的评测方法与数据集可能存在差异,请结合多个榜单交叉参考。

Ranking

模型排名

名次 模型 机构 分数 来源
1 GPT-5.6 Sol OpenAI 88.8 来源
2 Claude Fable 5 Anthropic 88.0 来源
3 GPT-5.6 Terra OpenAI 87.4 来源
4 GPT-5.6 Luna OpenAI 84.7 来源
5 GPT-5.5 OpenAI 84.1 来源
6 Grok 4.5 xAI 83.3 来源
7 GLM-5.2 Zhipu AI 82.7 来源
8 Claude Sonnet 5 Anthropic 80.4 来源
9 Muse Spark 1.1 Meta 80.0 来源
10 Gemini 3.5 Flash Google 76.2 来源
11 GPT-5.4 OpenAI 75.1 来源
12 Claude Opus 4.8 Anthropic 74.6 来源
13 Claude Opus 4.7 Anthropic 73.8 来源
14 LongCat-2.0 Meituan 70.8 来源
15 Gemini 3.1 Pro Preview Google 70.3 来源
16 Claude Opus 4.6 Anthropic 70.2 来源
17 Qwen3.7 Max Alibaba Cloud / Qwen Team 69.7 来源
18 Claude Sonnet 4.6 Anthropic 67.0 来源
19 MiniMax-M3 MiniMax 66.0 来源
20 GLM-5.1 Zhipu AI 65.1 来源
21 DeepSeek V4 Pro DeepSeek 64.7 来源
22 Kimi K2.6 Moonshot AI 64.3 来源
23 Step 3.7 Flash StepFun 59.6 来源
24 Nemotron 3 Ultra 550B A55B NVIDIA 56.4 来源
25 MAI-Code-1-Flash Microsoft 54.8 来源
26 MiniMax-M2.7 MiniMax 51.1 来源
27 Claude Sonnet 4.5 Anthropic 50.0 来源
28 Claude Opus 4.1 Anthropic 43.3 来源
29 Claude Haiku 4.5 Anthropic 41.0 来源
30 GLM-4.6 Zhipu AI 40.5 来源
31 DeepSeek-V3.2-Exp DeepSeek 37.7 来源
32 GLM-4.5 Zhipu AI 37.5 来源
33 Laguna XS 2.1 Poolside 37.5 来源
34 GLM-4.5-Air Zhipu AI 30.0 来源
35 Kimi K2-Instruct-0905 Moonshot AI 25.0 来源