Terminal-Bench Hardのリーダーボード
2026年11月16日時点で、Terminal-Bench Hardの最高スコアは65.9%で、GPT-5.6 Sol(OpenAI)が記録しています。次点はClaude Fable 5の62.9%です。公表された結果があるのは411のモデル構成です(Artificial Analysis、結果の日付は2026年7月9日)。Terminal-Benchは、コンテナ内のシェルをエージェントに与え、ソースからのプロジェクトのビルド、破損したファイルシステムの復旧、サービスのセットアップといったタスクを課し、最終状態をテストで確認します。Terminal-Bench HardはBenchLeader Indexのエージェント・ツールスコアに反映されます。
要点(2026年11月16日時点)
- GPT-5.6 SolがTerminal-Bench Hardの最高スコア65.9%を記録しています(Artificial Analysis、2026年7月9日)。
- Terminal-Bench Hardの2位はClaude Fable 5で、62.9%です(Artificial Analysis、2026年6月9日)。
- Terminal-Bench Hard:固定のハーネスで実行するTerminal-Benchの難問サブセット。Artificial Analysisが実施(Artificial Analysis)。
- BenchLeaderでは411のモデル構成にTerminal-Bench Hardの公表結果があります(BenchLeader、2026年11月16日)。
- Terminal-Bench HardはBenchLeader Indexのエージェント・ツールカテゴリに反映されます(BenchLeaderの評価方法)。
固定のハーネスで実行するTerminal-Benchの難問サブセット。Artificial Analysisが実施。
- カテゴリ
- エージェント・ツール
- Indexでの重み
- 0.5
- モデル
- 411
- データ基準日
- 2026年11月16日
Source: Artificial Analysis (artificialanalysis.ai). Data taken from the public leaderboard.
どんなテストか
Terminal-Benchは、コンテナ内のシェルをエージェントに与え、ソースからのプロジェクトのビルド、破損したファイルシステムの復旧、サービスのセットアップといったタスクを課し、最終状態をテストで確認します。
採点方法
そのハーネスでチェックに合格したタスクの割合です。
注意点
Terminal-Benchのタスクのうち最も難しいサブセットで、Artificial Analysisがすべてのモデルを同じ固定のエージェントハーネスで実行しています。ハーネスを固定するとモデル同士を比較しやすくなりますが、別のエージェントループ向けに作られたモデルは低めに出ることがあります。サブセットは小さいため、スコアはノイズを含みます。Terminal-Benchのボードもあわせてご覧ください。
- 1GPT-5.6 Sol (max)65.9%
- 2Claude Fable 5 (max)62.9%
- 3GPT-5.6 Sol (medium)62.9%
- 4GPT-5.6 Terra (xhigh)62.9%
- 5GPT-5.6 Sol (high)62.1%
- 6GPT-5.6 Sol (xhigh)61.4%
- 7GPT-5.5 (xhigh)60.6%
- 8GPT-5.6 Sol (low)60.6%
- 9GPT-5.5 (high)59.9%
- 10Claude Opus 4.8 (max)58.3%
- 11GPT-5.4 (xhigh)57.6%
- 12GPT-5.5 (medium)57.6%
- 13GPT-5.6 Terra (max)57.6%
- 14GPT-5.6 Terra (high)57.6%
- 15Claude Opus 4.7 (none)54.5%
| # | ||||
|---|---|---|---|---|
| 1 | 65.9% | 65.3 | 2026-07-09 | |
| 2 | 62.9% | 65.1 | 2026-06-09 | |
| 3 | 62.9% | 61.3 | 2026-07-09 | |
| 4 | 62.9% | 60.1 | 2026-07-09 | |
| 5 | 62.1% | 63.4 | 2026-07-09 | |
| 6 | 61.4% | 63.9 | 2026-07-09 | |
| 7 | 60.6% | 64.1 | 2026-04-23 | |
| 8 | 60.6% | 60.2 | 2026-07-09 | |
| 9 | 59.9% | 63.5 | 2026-04-23 | |
| 10 | 58.3% | 61.1 | 2026-05-28 | |
| 11 | 57.6% | 63.1 | 2026-03-05 | |
| 12 | 57.6% | 60.8 | 2026-04-23 | |
| 13 | 57.6% | 59.5 | 2026-07-09 | |
| 14 | 57.6% | 56.8 | 2026-07-09 | |
| 15 | 54.5% | – | 2026-04-16 | |
| 16 | 53.8% | 59.9 | 2026-02-19 | |
| 17 | 53.0% | 62.9 | 2026-02-05 | |
| 18 | 53.0% | 56.1 | 2026-02-17 | |
| 19 | 52.3% | 58.1 | 2026-04-23 | |
| 20 | 52.3% | 55.1 | 2026-03-17 | |
| 21 | 51.5% | 59.7 | 2026-04-16 | |
| 22 | 50.8% | 60.0 | 2026-05-19 | |
| 23 | 50.8% | 58.9 | 2026-06-16 | |
| 24 | 49.2% | 52.3 | 2026-04-23 | |
| 25 | 49.2% | – | 2026-03-27 | |
| 26 | 48.5% | 58.4 | 2026-02-05 | |
| 27 | 47.0% | 59.9 | 2025-12-11 | |
| 28 | 47.0% | 59.3 | 2025-11-24 | |
| 29 | 47.0% | 57.6 | 2026-06-01 | |
| 30 | 46.2% | 57.0 | 2026-02-05 | |
| 31 | 46.2% | 55.6 | 2026-05-19 | |
| 32 | 46.2% | – | 2026-02-17 | |
| 33 | 46.2% | – | 2026-04-24 | |
| 34 | 45.5% | 64.2 | 2026-04-08 | |
| 35 | 45.5% | 57.5 | 2025-11-13 | |
| 36 | 44.7% | 53.9 | 2026-06-12 | |
| 37 | 43.9% | 62.1 | 2026-04-20 | |
| 38 | 43.9% | 59.3 | 2026-04-20 | |
| 39 | 43.9% | 59.0 | 2026-04-02 | |
| 40 | 43.9% | 53.3 | 2026-07-09 | |
| 41 | 43.2% | 60.2 | 2026-02-11 | |
| 42 | 43.2% | 58.8 | 2026-03-05 | |
| 43 | 43.2% | 56.2 | 2025-12-11 | |
| 44 | 43.2% | – | 2026-04-07 | |
| 45 | 43.2% | – | 2026-04-22 | |
| 46 | 42.4% | 56.9 | 2026-05-05 | |
| 47 | 42.4% | 56.1 | 2026-06-01 | |
| 48 | 42.4% | 53.9 | 2026-03-17 | |
| 49 | 42.4% | – | 2026-02-17 | |
| 50 | 41.7% | 60.0 | 2025-11-18 | |
| 51 | 41.7% | 56.3 | 2026-04-22 | |
| 52 | 41.7% | – | 2026-04-24 | |
| 53 | 40.9% | 62.5 | 2026-05-19 | |
| 54 | 40.9% | 59.1 | 2026-03-18 | |
| 55 | 40.9% | 56.4 | 2026-02-16 | |
| 56 | 40.9% | 51.9 | 2025-11-24 | |
| 57 | 39.4% | 61.8 | 2026-05-19 | |
| 58 | 39.4% | 56.6 | 2026-03-18 | |
| 59 | 39.4% | – | 2026-02-11 | |
| 60 | 38.6% | 58.9 | 2025-12-17 |
エージェント・ツールのベンチマークをもっと見る · LLMベンチマーク一覧
関連するベンチマーク
Terminal-Bench Hardでの注目のモデル比較
引用表記:BenchLeader「Terminal-Bench Hardのリーダーボード」2026年11月16日時点のデータ、https://www.benchleader.com/ja/benchmarks/aa_terminalbench_hard
Terminal-Bench Hard:よくある質問
- Terminal-Bench Hardは何を測るベンチマークですか?
- Terminal-Benchは、コンテナ内のシェルをエージェントに与え、ソースからのプロジェクトのビルド、破損したファイルシステムの復旧、サービスのセットアップといったタスクを課し、最終状態をテストで確認します。スコアは解けたタスクの割合(%)で示され、高いほど良い結果です。
- Terminal-Bench Hardの最高スコアは?
- 2026年11月16日時点で、Terminal-Bench Hardの最高スコアは65.9%で、GPT-5.6 Solが記録しています(結果の日付は2026年7月9日)。次点はClaude Fable 5の62.9%です。スコアはArtificial Analysisの公表値で、毎日読み直しています。
- Terminal-Bench HardでトップのAIモデルは?
- 2026年11月16日時点で、Terminal-Bench Hardの首位はGPT-5.6 Solで、スコアは65.9%です(結果の日付は2026年7月9日)。続いてClaude Fable 5(62.9%)です。
- Terminal-Bench Hardの結果があるモデルはいくつですか?
- BenchLeaderでは411のモデル構成にTerminal-Bench Hardの結果があり、すべてArtificial Analysisから取得しています。
- Terminal-Bench Hardを運営しているのは誰で、どのくらいの頻度で更新されますか?
- Terminal-Bench HardはArtificial Analysisが公開しています。BenchLeaderは公開された結果を1日1回読み直し、各結果の公開日を記録しています。
- Terminal-Bench HardはBenchLeader Indexに含まれますか?
- はい。Terminal-Bench HardはBenchLeader Indexのエージェント・ツールカテゴリに反映され、評価対象モデルの平均が50になるよう正規化されています。