BenchLeader

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。

公開元
Artificial Analysis
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。

411件中411件
#
1GPT-5.6 Solmax65.9%65.32026-07-09
2Claude Fable 5max62.9%65.12026-06-09
3GPT-5.6 Solmedium62.9%61.32026-07-09
4GPT-5.6 Terraxhigh62.9%60.12026-07-09
5GPT-5.6 Solhigh62.1%63.42026-07-09
6GPT-5.6 Solxhigh61.4%63.92026-07-09
7GPT-5.5xhigh60.6%64.12026-04-23
8GPT-5.6 Sollow60.6%60.22026-07-09
9GPT-5.5high59.9%63.52026-04-23
10Claude Opus 4.8max58.3%61.12026-05-28
11GPT-5.4xhigh57.6%63.12026-03-05
12GPT-5.5medium57.6%60.82026-04-23
13GPT-5.6 Terramax57.6%59.52026-07-09
14GPT-5.6 Terrahigh57.6%56.82026-07-09
15Claude Opus 4.7推論なし54.5%–2026-04-16
16Gemini 3.1 Pro53.8%59.92026-02-19
17GPT-5.3-Codexxhigh53.0%62.92026-02-05
18Claude Sonnet 4.6max53.0%56.12026-02-17
19GPT-5.5low52.3%58.12026-04-23
20GPT-5.4 Minixhigh52.3%55.12026-03-17
21Claude Opus 4.7max51.5%59.72026-04-16
22Qwen3.7max50.8%60.02026-05-19
23GLM 5.2max50.8%58.92026-06-16
24GPT-5.5推論なし49.2%52.32026-04-23
25KAT-Coder-Pro V249.2%–2026-03-27
26Claude Opus 4.6推論なし48.5%58.42026-02-05
27GPT-5.2xhigh47.0%59.92025-12-11
28Claude Opus 4.5thinking47.0%59.32025-11-24
29Qwen3.7 Plus47.0%57.62026-06-01
30Claude Opus 4.6max46.2%57.02026-02-05
31Gemini 3.5 Flashminimal46.2%55.62026-05-19
32Claude Sonnet 4.6推論なし46.2%–2026-02-17
33DeepSeek V4 Pro 0424max46.2%–2026-04-24
34Muse Spark45.5%64.22026-04-08
35GPT-5.1high45.5%57.52025-11-13
36Kimi K2.7 Code44.7%53.92026-06-12
37Qwen3.6 Maxmax43.9%62.12026-04-20
38Kimi K2.6thinking43.9%59.32026-04-20
39Qwen3.6 Plus43.9%59.02026-04-02
40GPT-5.6 Terralow43.9%53.32026-07-09
41GLM-5thinking43.2%60.22026-02-11
42GPT-5.4low43.2%58.82026-03-05
43GPT-5.2medium43.2%56.22025-12-11
44GLM 5.1thinking43.2%–2026-04-07
45MiMo-V2.5-Prothinking43.2%–2026-04-22
46GPT-5.5 Instant42.4%56.92026-05-05
47MiniMax M342.4%56.12026-06-01
48GPT-5.4 Nanoxhigh42.4%53.92026-03-17
49Claude Sonnet 4.6low42.4%–2026-02-17
50Gemini 3 Prohigh41.7%60.02025-11-18
51MiMo-V2.541.7%56.32026-04-22
52DeepSeek V4 Pro 0424high41.7%–2026-04-24
53Gemini 3.5 Flashhigh40.9%62.52026-05-19
54Mimo v2 Pro40.9%59.12026-03-18
55Qwen3.5 397B A17Bthinking40.9%56.42026-02-16
56Claude Opus 4.5推論なし40.9%51.92025-11-24
57Gemini 3.5 Flashmedium39.4%61.82026-05-19
58MiniMax M2.739.4%56.62026-03-18
59GLM-5推論なし39.4%–2026-02-11
60Gemini 3 Flashthinking38.6%58.92025-12-17

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

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。