BenchLeader

Terminal-Bench 2.1 (Vals)のリーダーボード

2026年11月16日時点で、Terminal-Bench 2.1 (Vals)の最高スコアは87.6%で、Claude Opus 5.5(Anthropic)が記録しています。次点はGPT-6 Astraの87.3%です。公表された結果があるのは75のモデル構成です(Vals AI、結果の日付は2026年10月1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 2.1 (Vals)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)

  • Claude Opus 5.5がTerminal-Bench 2.1 (Vals)の最高スコア87.6%を記録しています(Vals AI、2026年10月1日)。
  • Terminal-Bench 2.1 (Vals)の2位はGPT-6 Astraで、87.3%です(Vals AI、2026年10月1日)。
  • Terminal-Bench 2.1 (Vals):Vals AIの固定ハーネスで実行するTerminal-Bench 2.1(Vals AI)。
  • BenchLeaderでは75のモデル構成にTerminal-Bench 2.1 (Vals)の公表結果があります(BenchLeader、2026年11月16日)。
  • Terminal-Bench 2.1 (Vals)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)。

Vals AIの固定ハーネスで実行するTerminal-Bench 2.1。

公開元
Vals AI
カテゴリ
エージェント・ツール
Indexでの重み
0.5
モデル
75
データ基準日
2026年11月16日

Vals AI (vals.ai).

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。

注意点

Vals AIが自社の固定ハーネスで実行したTerminal-Bench 2.1です。固定ハーネスの結果はモデル同士で比較できますが、公表されている最高の実行結果とは異なることがあります。Terminal-Benchのボードもあわせてご覧ください。

75件中75件
#
1Claude Opus 5.5high87.6%66.0$0.4962026-10-01
2GPT-6 Astramax87.3%67.3$1.342026-10-01
3GPT-5.6 Solmax85.8%65.3$1.022026-10-01
4Claude Fable 5.1high85.0%63.7$3.072026-10-01
5Claude Opus 5high84.6%64.4$0.8872026-10-01
6GPT-6 Solmax83.2%62.6$0.3732026-10-01
7Claude Sonnet 5.5high83.2%59.5$0.6252026-10-01
8Gemini 3.8 Flashhigh81.3%59.4$1.542026-10-01
9Kimi K380.9%60.7$0.3412026-10-01
10Claude Fable 5max80.5%65.1$1.432026-10-01
11Muse Spark 1.3max79.0%60.6$0.5972026-10-01
12GPT-5.6 Lunamax79.0%56.2$0.0542026-10-01
13Grok 4.6high78.3%60.6$0.4542026-10-01
14Gemini 3.7 Flashhigh77.5%62.1$1.022026-10-01
15GPT-5.6 Terramax77.5%59.5$0.4732026-10-01
16GPT-5.5high76.4%63.5$0.7422026-10-01
17MiMo-V2.6-Flash76.4%54.8$0.0232026-10-01
18Claude Sonnet 5max74.5%56.1$0.5352026-10-01
19DeepSeek V4.1 Flashhigh74.5%55.6$0.0992026-10-01
20Gemini 3.5 Flashhigh74.2%62.5$0.8682026-10-01
21Gemini 3.6 Flashhigh73.8%61.0$1.172026-10-01
22Grok 4.7xhigh73.4%57.4$1.082026-10-01
23GPT-6 Lunamax73.0%55.1$0.0292026-10-01
24Muse Spark 1.3xhigh72.3%58.1$0.6632026-10-01
25Claude Opus 4.8max71.9%61.1$2.412026-10-01
26GLM 5.3max71.5%58.8$0.3072026-10-01
27Gemini 3.1 Prohigh70.8%60.4$0.5832026-10-01
28Muse Spark 1.2xhigh69.7%61.5$0.4992026-10-01
29Claude Opus 4.869.7%58.7$0.9682026-10-01
30Muse Spark 1.1xhigh69.3%59.5$0.4172026-10-01
31Claude Opus 4.7high68.5%60.0$1.982026-10-01
32GLM 5.2max67.8%58.9$0.4252026-10-01
33MiMo-V2.6-Pro67.8%57.5$0.0732026-10-01
34Grok 4.5high67.8%56.8$0.2842026-10-01
35Qwen3.8 Maxmax67.4%58.7$0.4482026-10-01
36Kimi K2.7 Code67.0%53.9$0.2572026-10-01
37DeepSeek V4 Flash67.0%53.8$0.0212026-10-01
38GLM 5.3 Flashmax62.9%52.4$0.0282026-10-01
39Qwen3.7max61.0%60.0$0.3322026-10-01
40MiMo-V2.560.7%56.3$0.0222026-10-01
41Qwen3.8 27Bxhigh58.4%52.2$0.6782026-10-01
42Composer 2.558.4%––2026-10-01
43Gemini 4 Argonhigh57.7%65.3–2026-10-01
44GPT-5.557.3%61.0$0.6452026-10-01
45Claude Sonnet 4.6max57.3%56.1$0.5722026-10-01
46MiMo-V2.5-Pro57.3%55.5$0.0442026-10-01
47GLM 5.156.9%55.4$0.2322026-10-01
48Hy455.1%56.7$0.1402026-10-01
49Inkling Small55.1%52.0$0.1282026-10-01
50DeepSeek V4 Promax54.7%54.7$0.2002026-10-01
51GPT-5.4 Minihigh54.7%52.0$0.2872026-10-01
52Gemini 3 Flashhigh53.9%57.4$0.1542026-10-01
53MiniMax M353.6%56.1$0.2062026-10-01
54Kimi K2.653.6%55.1$0.1382026-10-01
55Qwen3.6 Plus53.2%59.0$0.2022026-10-01
56Qwen3.7 Plus52.8%57.6$0.0962026-10-01
57Nemotron 3 Ultra 550B A55B50.9%55.4–2026-10-01
58DeepSeek V4 Pro50.2%53.0$0.2392026-10-01
59Ling 3.0 Flash50.2%51.7$0.0672026-10-01
60Gemini 3.5 Flash Litehigh50.2%47.8$0.3372026-10-01

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 2.1 (Vals)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/vals_terminal_bench

Terminal-Bench 2.1 (Vals):よくある質問

Terminal-Bench 2.1 (Vals)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 2.1 (Vals)の最高スコアは?
2026年11月16日時点で、Terminal-Bench 2.1 (Vals)の最高スコアは87.6%で、Claude Opus 5.5が記録しています(結果の日付は2026年10月1日)。次点はGPT-6 Astraの87.3%です。スコアはVals AIの公表値で、毎日読み直しています。
Terminal-Bench 2.1 (Vals)でトップのAIモデルは?
2026年11月16日時点で、Terminal-Bench 2.1 (Vals)の首位はClaude Opus 5.5で、スコアは87.6%です(結果の日付は2026年10月1日)。続いてGPT-6 Astra(87.3%)です。
Terminal-Bench 2.1 (Vals)の結果があるモデルはいくつですか?
BenchLeaderでは75のモデル構成にTerminal-Bench 2.1 (Vals)の結果があり、すべてVals AIから取得しています。
Terminal-Bench 2.1 (Vals)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 2.1 (Vals)はVals AI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 2.1 (Vals)はBenchLeader Indexに含まれますか?
はい。Terminal-Bench 2.1 (Vals)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。