待验证50% 置信基准精确时间

在 Terminal-Bench 2.0 基准上，同一模型 Opus 4.6 在不同 harness 下得分从 60.45% 到 82.02% 不等（相差约 22 个百分点）。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/24

首次发现

有效期至：2027/1/22

来源

同一模型跑分差22分：Agent Harness才是关键变量

涉及实体

Opus 4.6model Terminal-Bench 2.0concept

相关事实

已验证在 Terminal Bench 4.0 上，Opus 5.5 得分 66.4%，Astra 为 57.9%，Fable 5.1 为 55.8%，前代 Opus 5 为 52.3%76% 相似待验证Claude Opus 5.5 在 Terminal Bench 上的得分约为 66.472% 相似待验证在 Automation Bench 中档推理强度下 GPT-6.1 Sol 得分 35.4%，比 Opus 5.5 高 2.2 个百分点，成本为其三分之一71% 相似待验证Claude Opus 5 在 ThinkingBox 中 pass@20 为 79.09%，all-20 达到 47.53%（241个任务稳定通过）70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1094308

API

curl https://kongchang.com/api/v1/knowledge/claims/1094308

MCP

get_claim(id=1094308)