Terminal Bench 2.1 (Best Harness)编程

Claude Code 2.1.167, max_new_tokens=128k, 5 次取平均Terminal-Bench Best 是 Terminal-Bench 评测中按最佳性能指标聚合的分数，反映模型在终端任务上的最优表现。涵盖软件工程、机器学习、安全和数据科学等多个领域的终端操作能力全面评估。

排行数据源

#模型得分

1

GPT-5.6 SolOpenAI

88.8%

2

Kimi K3月之暗面

88.3%

3

Claude Fable 5Anthropic

88.0%

4

Qwen3.8-2.4T-A95B阿里巴巴

86.6%

5

Qwen3.8-Max阿里巴巴

86.6%

6

Claude Opus 4.8Anthropic

84.6%

7

GPT-5.5OpenAI

83.4%

8

GLM-5.2智谱AI

82.7%

9

Qwen3.7-Max阿里巴巴

74.5%

10

Gemini 3.1 ProGoogle

70.7%

共 11 个模型

返回基准目录