[控场AI]
基准Terminal-Bench 4.1

Terminal-Bench 4.1

Terminal-Bench 的后续版本,用于评估智能体在终端环境中的多步骤任务执行能力。

核心事实

时间轴 (近 90 天)

11月13日

Gemini 4 Hydrogen 在 Terminal-Bench 4.1 上的通过率为 57%。

部分验证75%
11月12日

从 Gemini 3.8 Flash 迁移到 Hydrogen,在默认高设置下,任务完成速度提升 2.5 倍,Terminal-Bench 4.1 得分从 18.2% 提升至 57%,虚构声明减少超过 5 倍。

已验证90%

来源文章