待验证50% 置信事实精确时间
Terminal-Bench 4.0 是一个面向终端环境的 agentic 编码评测基准，评分依据任务完成率而非文本相似度。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
涉及实体
相关事实
待验证终端基准通常指模型在命令行/Shell环境中完成任务的综合评分，涵盖文件操作、脚本执行、包管理、进程控制等系统交互能力66% 相似待验证Terminal Bench是斯坦福大学设计的智能体评估框架，模拟真实Linux终端环境，要求智能体完成环境配置、依赖安装、代码调试、结果验证等完整工作流66% 相似待验证Terminal Bench要求模型在交互式命令行环境中调试、运行、修复代码，区别于HumanEval等静态代码生成测试65% 相似已验证Terminal Bench要求模型在模拟终端环境中完成完整软件工程工作流，包括读取错误日志、调试、配置环境变量、操作文件系统63% 相似待验证τ²-Bench是专为多轮任务导向对话设计的评测基准，以任务最终成功与否作为核心指标并记录完整对话轨迹63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1069958API
curl https://kongchang.com/api/v1/knowledge/claims/1069958MCP
get_claim(id=1069958)