BenchLeader

Terminal-Benchのリーダーボード

2026年11月16日時点で、Terminal-Benchの最高スコアは84.7%で、GPT-5.5(OpenAI)が記録しています。次点はGPT-5.4の81.8%です。公表された結果があるのは109のモデル構成です(Terminal-Bench、結果の日付は2026年4月23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-5.5がTerminal-Benchの最高スコア84.7%を記録しています(Terminal-Bench、2026年4月23日)。
  • Terminal-Benchの2位はGPT-5.4で、81.8%です(Terminal-Bench、2026年3月5日)。
  • Terminal-Bench:コマンドラインでのエージェントタスク。モデルごとにハーネスを問わず最高の結果を採用(Terminal-Bench)。
  • BenchLeaderでは109のモデル構成にTerminal-Benchの公表結果があります(BenchLeader、2026年11月16日)。
  • Terminal-Bench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)。

コマンドラインでのエージェントタスク。モデルごとにハーネスを問わず最高の結果を採用。

公開元
Terminal-Benchデータ取得元:Epoch AI Benchmarking Hub
カテゴリ
エージェント・ツール
Indexでの重み
1.0
モデル
109
データ基準日
2026年11月16日
最新の結果
2026年11月12日

CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.

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

チェックに合格したタスクの割合です。Epochのボードでは、ハーネスを問わずモデルごとに公表された最高の結果を採用しています。

注意点

ハーネスやツールの影響が非常に大きいため、モデルごとの最高値には異なるエージェントの結果が混在します。タスクが長く、1回の不安定な実行でスコアが動きます。ランキングには、Artificial AnalysisとVals AIが実行する難易度の高いサブセットのほうが安定しています。

109件中109件
#
1GPT-5.584.7%61.0––2026-04-23
2GPT-5.481.8%57.9––2026-03-05
3Claude Opus 4.780.2%63.1––2026-04-16
4Gemini 3.1 Pro80.2%59.9––2026-02-19
5Claude Opus 4.679.8%62.1––2026-02-05
6GPT-5.3-Codex78.4%–––2026-02-05
7Gemini 3 Pro69.4%60.0––2025-11-18
8GPT-5.2-Codex66.5%57.6––2025-12-18
9NEWClaude Fable 5.2max65.8%72.7Claude Code$16492.762026-11-09
10Claude Opus 5.5max65.8%68.4Claude Code$4718.652026-09-22
11GPT-5.264.9%56.7––2025-12-11
12GPT-5.2medium64.9%56.2––2025-12-11
13Gemini 4 Carbonhigh64.5%68.9Antigravity CLI$1358.252026-10-28
14Gemini 3 Flash64.3%56.5––2025-12-17
15Claude Sonnet 5.5max63.9%64.2Claude Code$7333.642026-09-28
16Claude Opus 4.563.1%57.1––2025-11-24
17GPT-5.1-Codex-Mini61.6%–––2025-11-12
18GPT-6.1 Solmax60.9%66.6Codex$634.242026-09-29
19GPT-5.1-Codex-Maxmax60.5%–––2025-11-19
20GPT-6 Astramax60.3%67.3Codex$3267.182026-09-03
21GPT-6 Astrahigh60.0%66.3Codex$2269.422026-09-03
22GPT-6 Astraxhigh59.7%66.0Codex$2350.512026-09-03
23Kimi K3.1 Promax59.7%59.9Claude Code$1086.662026-10-24
24GPT-5.1-Codex57.8%–––2025-11-12
25Claude Fable 5.1xhigh57.6%64.6Claude Code$4872.042026-09-01
26Grok 4.2057.3%–––2026-02-17
27Claude Fable 5.1max57.3%66.7Claude Code$6243.502026-09-01
28NEWGemini 4 Hydrogenhigh56.4%63.4Antigravity CLI$784.242026-11-12
29Gemini 4 Argonhigh55.5%65.3Antigravity CLI$1108.982026-09-30
30GPT-6 Astramedium55.1%64.4Codex$1914.802026-09-03
31Claude Fable 5.1high54.9%63.7Claude Code$3985.382026-09-01
32Claude Fable 5.1medium53.9%61.7Claude Code$2832.902026-09-01
33Claude Sonnet 4.653.4%57.6––2026-02-17
34GPT-6.1 Terramax53.3%64.1Codex$874.442026-10-26
35Claude Opus 5xhigh53.3%60.1Claude Code$6086.222026-07-24
36GLM-552.4%54.9––2026-02-11
37Claude Opus 5max52.1%65.0Claude Code$5969.112026-07-24
38GPT-6 Astralow50.9%62.0Codex$1557.302026-09-03
39GPT-6 Solmax50.3%62.6Codex$1451.322026-09-22
40Claude Opus 5high49.7%64.4Claude Code$4662.272026-07-24
41GPT-549.6%56.6––2025-08-07
42GPT-5medium49.6%59.0––2025-08-07
43GPT-5.1medium47.6%52.4––2025-11-13
44GPT-5.147.6%56.1––2025-11-13
45Muse Wonderxhigh47.0%–Muse Code$2452.312026-10-12
46Claude Sonnet 4.546.5%53.8––2025-09-29
47Claude Opus 5medium45.1%57.5Claude Code$3191.592026-07-24
48MiniMax M2.745.1%56.6––2026-03-18
49Claude Fable 5max44.9%65.1Claude Code$7265.012026-06-09
50GPT-5-Codex44.3%–––2025-09-15
51Claude Fable 5.1low43.3%58.8Claude Code$2358.722026-09-01
52Kimi K2.543.2%54.6––2026-01-27
53MiniMax M2.542.7%53.7––2026-02-12
54GLM 5.3max41.2%58.8Claude Code$2727.632026-08-14
55Claude Haiku 5.5max40.0%55.3Claude Code$952.472026-10-07
56DeepSeek V3.239.5%50.2––2025-12-01
57Grok 4.7xhigh38.8%57.4Grok Build$3683.292026-09-21
58GPT-5.6 Solmax38.5%65.3Codex$2541.702026-06-26
59DeepSeek V4.1 Flash 1017max38.5%57.7Claude Code$184.892026-10-17
60Claude Opus 4.138.0%51.1––2025-08-05

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/terminal_bench

Terminal-Bench:よくある質問

Terminal-Bench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の最高スコアは?
2026年11月16日時点で、Terminal-Benchの最高スコアは84.7%で、GPT-5.5が記録しています(結果の日付は2026年4月23日)。次点はGPT-5.4の81.8%です。スコアはTerminal-Benchの公表値で、毎日読み直しています。
Terminal-BenchでトップのAIモデルは?
2026年11月16日時点で、Terminal-Benchの首位はGPT-5.5で、スコアは84.7%です(結果の日付は2026年4月23日)。続いてGPT-5.4(81.8%)です。
Terminal-Benchの結果があるモデルはいくつですか?
BenchLeaderでは109のモデル構成にTerminal-Benchの結果があり、すべてTerminal-Bench(Epoch AI Benchmarking Hub経由)から取得しています。
Terminal-Bench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はTerminal-Bench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はBenchLeader Indexに含まれますか?
はい。Terminal-Bench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。