Terminal Bench

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

Claude Sonnet 5.5 在终端（Terminal）基准上达到 70.6%，而上一代仅有 10.3%

在SWE Bench Pro编程基准测试中，Sonnet 5取得63.2%，Opus 4.8取得69.2%

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%

Claude Sonnet 5 在 SWE-bench Verified（Agentic Coding）上得分 63.22%，距 Opus 4.8 约差 6 个百分点

GPT-6 Sol High在Automation Bench上的单项任务成本仅为Opus 5的十分之一

在 Terminal Bench 上，中档 Sonnet 5.5 得分 28.8%，每任务约 0.83 美元；Sonnet 5 最高档只有 10.3%，每任务约 11.6 美元

Fable 5.1 在 Terminal Bench Science 0.1 基准测试中得分 52.6%，相比上一代翻了一倍多

Qwen3.8-27B在Terminal Bench、GPQA Diamond、HLE测试中均落后于Claude Opus 4.6（分别为73 vs 78.2、89.2 vs 91.3、30.8 vs 40）

AI评测正从纯语言能力转向真实任务执行能力，特别是终端操作、表格分析这类可量化的办公与工程场景

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

在创作者的benchmark中，Haiku 5.5的Terminal Bench成绩从Haiku 4.5的0分提升到接近40%

在Terminal Bench上Beam约81分垫底，低于DeepSeek 90.6、Kimi 88.3、GLM 88.2、Qwen 86.6

在Terminal Bench测试中GPT-6.1 Soul的max/high表现几乎与Opus 5.5打平，但每任务成本约$0.96美分，Opus每任务为$0.11到$0.13，价格约为十三分之一

在4个智能体编码测试中，Argon赢了两个，Frontier SWE和Terminal Bench两个测试中垫底

Claude Opus 5.5 在 Terminal Bench 上的得分约为 66.4

据官方口径，V4.1 Flash在Terminal Bench 2.1、DeepSWE 1.1、CyberGym、HLE、Automation Bench、Agent's Last Exam等多个基准测试上成绩超过GPT-5.6 SOAR和Opus 5

Terminal Bench专注衡量agentic编程能力，即模型自主在终端环境中规划、执行并验证多步骤任务的能力

在Terminal Bench上，Fable 5.1的分数比Grok 4.7高出约20分，接近50%的提升

同一模型在不同harness下运行Terminal Bench，分数从69.8%跨越到74.2%