Terminal Bench 2.0 (Best Harness)编程

各模型使用最佳自定义 harness (Claude Code/Codex) 自报分数Terminal-Bench 2.0 Best 是 Terminal-Bench 2.0 评测中按最优结果聚合的指标。2.0 版本包含 89 个任务，覆盖软件工程、机器学习、安全、数据科学等领域，评估 AI 在真实终端环境中的任务完成率。

排行数据源

#模型得分

1

GPT-5.4OpenAI

75.1%

2

GLM-5.1智谱AI

69.0%

3

GLM-5智谱AI

61.1%

4

Claude Opus 4.5Anthropic

57.9%

5

MiniMax M2.7MiniMax

57.0%

6

DeepSeek-V3.2深度求索

46.4%

7

GLM-4.7智谱AI

32.8%

共 7 个模型

返回基准目录