Terminal-Bench · 4.0 · 测试定义与成绩

Terminal-Bench · 4.0 收录 12 次模型发布的评测披露或成绩。

测试版本与指标

别名 Terminal-Bench 4.0

  • Score · % · 越高越好

各系列最新模型 · 公布成绩

常规展示范围。排名按指标与评测协议分组,已记录的工具、预算及框架分别展示。条件未说明的组保留公布值供查证。

Score %

工具条件未记录 / max / Claude Code --bare mode · Terminal-Bench 4.0; Claude Code --bare; max thinking effort; 66 tasks, ten trials per task (660 trials); no internet.

Terminal-Bench · 4.0 · Score · 工具条件未记录 / max / Claude Code --bare mode · Terminal-Bench 4.0; Claude Code --bare; max thinking effort; 66 tasks, ten trials per task (660 trials); no internet.
模型与配置成绩(%)记录与证据
Claude Fable 5.2Max67.6%

Terminal-Bench 4.0 Artificial Analysis results.

Terminal-Bench · 4.0 · Score · Terminal-Bench 4.0 Artificial Analysis results.
名次模型与配置成绩(%)记录与证据
1Gemini 4 Carbon未注明65.2%
2Gemini 4 Argon未注明57.1%

工具条件未记录 / maximum / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).

Terminal-Bench · 4.0 · Score · 工具条件未记录 / maximum / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).
模型与配置成绩(%)记录与证据
GPT-6.1 TerraMax50.3%

工具条件未记录 / low / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).

Terminal-Bench · 4.0 · Score · 工具条件未记录 / low / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).
模型与配置成绩(%)记录与证据
GPT-6.1 TerraLow24.8%

工具条件未记录 / medium / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).

Terminal-Bench · 4.0 · Score · 工具条件未记录 / medium / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).
模型与配置成绩(%)记录与证据
GPT-6.1 TerraMedium35.8%

工具条件未记录 / high / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).

Terminal-Bench · 4.0 · Score · 工具条件未记录 / high / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).
模型与配置成绩(%)记录与证据
GPT-6.1 TerraHigh41.8%

工具条件未记录 / xhigh / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).

Terminal-Bench · 4.0 · Score · 工具条件未记录 / xhigh / 框架未记录 · Terminal-Bench 4.0; y metric Score; x axis Cost (USD).
模型与配置成绩(%)记录与证据
GPT-6.1 TerraXhigh46.4%

工具条件未记录 / max / 框架未记录 · Terminal-Bench 4.0; 66 tasks; ten trials per task (660 trials); Claude Code --bare at max thinking effort.

Terminal-Bench · 4.0 · Score · 工具条件未记录 / max / 框架未记录 · Terminal-Bench 4.0; 66 tasks; ten trials per task (660 trials); Claude Code --bare at max thinking effort.
模型与配置成绩(%)记录与证据
Claude Haiku 5.5Max39.2%

Gemini 4 Argon self-computed Terminal-Bench 4.0; detailed self-run setup is not stated in this PDF.

Terminal-Bench · 4.0 · Score · Gemini 4 Argon self-computed Terminal-Bench 4.0; detailed self-run setup is not stated in this PDF.
模型与配置成绩(%)记录与证据
Gemini 4 Argon未注明57.4%

工具条件未记录 / max / Claude Code --bare mode · Terminal-Bench 4.0, 66 tasks, five trials per task (330 trials).

Terminal-Bench · 4.0 · Score · 工具条件未记录 / max / Claude Code --bare mode · Terminal-Bench 4.0, 66 tasks, five trials per task (330 trials).
模型与配置成绩(%)记录与证据
Claude Sonnet 5.5Max70.6%

工具条件未记录 / xhigh / 框架未记录 · Terminal-Bench 4.0; xhigh effort。

Terminal-Bench · 4.0 · Score · 工具条件未记录 / xhigh / 框架未记录 · Terminal-Bench 4.0; xhigh effort。
模型与配置成绩(%)记录与证据
Claude Opus 5.5Xhigh66.36%

Official public Terminal-Bench 4.0 leaderboard; highest scoring thinking level reported for each model.

Terminal-Bench · 4.0 · Score · Official public Terminal-Bench 4.0 leaderboard; highest scoring thinking level reported for each model.
模型与配置成绩(%)记录与证据
Gemini 3.8 Flash未注明19.1%

历史记录 · 12 次发布

  • Claude Fable 5.2本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Gemini 4 Carbon本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • GPT-6.1 Terra本次发布有 5 条成绩记录,含 5 条精确值(可含历史记录)
  • Claude Haiku 5.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Gemini 4 Argon本次发布有 2 条成绩记录,含 2 条精确值(可含历史记录)
  • GPT-6.1 Sol本次发布有 5 条成绩记录,含 5 条精确值(可含历史记录)
  • Claude Sonnet 5.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Opus 5.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Fable 5.1本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • GPT-6 Astra本次发布有 10 条成绩记录,含 10 条精确值(可含历史记录)
  • Gemini 3.8 Flash本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • GPT-5.6 Terra本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)