待验证50% 置信事实精确时间
终端代理测试衡量模型在真实 shell 环境中的自主操作能力，包括拆解任务、执行命令、读取输出、调整步骤和串联工具
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
Gemini 4 Argon vs Claude Opus 5.5：18项基准测试深度对比
rss2026/10/15
涉及实体
相关事实
待验证仿真测试是一种端到端评估方法：将自主系统放入受控的合成环境中执行，模拟真实用户和外部软件接口，观察Agent在多轮对话中的完整轨迹。78% 相似待验证Terminal-Bench-Science 将测试任务锚定在具体的科研工作流上，Agent 需在包含真实工具和数据的终端环境中独立完成从问题理解到结果产出的全过程75% 相似待验证Terminal Bench检验的是模型能做什么而非知道什么，测量的是模型规划、执行、观察反馈并纠错的完整闭环能力74% 相似已验证Terminal-Bench是专门评估AI模型在命令行环境中执行复杂任务能力的基准测试，涵盖文件操作、脚本编写、系统调试等场景73% 相似待验证端到端（E2E）测试模拟真实用户操作路径，从前端界面到后端服务完整走通一个业务流程，验证的是整个系统协同工作的结果而非单个模块的正确性70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1036636API
curl https://kongchang.com/api/v1/knowledge/claims/1036636MCP
get_claim(id=1036636)