BenchLeader

Terminal-Bench 2.0 (Vals)のリーダーボード

2026年11月16日時点で、Terminal-Bench 2.0 (Vals)の最高スコアは73.2%で、GPT-5.5(OpenAI)が記録しています。次点はClaude Opus 4.8の70.0%です。公表された結果があるのは65のモデル構成です(Vals AI、結果の日付は2026年6月4日)。Terminal-Bench 2.0で、シェル上のエージェントタスクをテストで確認します。Vals AIが実行しています。Terminal-Bench 2.0 (Vals)は参考として掲載しており、BenchLeader Indexには含まれません。

要点(2026年11月16日時点)

  • GPT-5.5がTerminal-Bench 2.0 (Vals)の最高スコア73.2%を記録しています(Vals AI、2026年6月4日)。
  • Terminal-Bench 2.0 (Vals)の2位はClaude Opus 4.8で、70.0%です(Vals AI、2026年6月4日)。
  • Terminal-Bench 2.0 (Vals):Vals AIの固定ハーネスで実行するTerminal-Bench 2.0。Vals AIが実施(Vals AI)。
  • BenchLeaderでは65のモデル構成にTerminal-Bench 2.0 (Vals)の公表結果があります(BenchLeader、2026年11月16日)。
  • Terminal-Bench 2.0 (Vals)はBenchLeader Indexには反映されず、参考として掲載しています(BenchLeaderの評価方法)。

Vals AIの固定ハーネスで実行するTerminal-Bench 2.0。Vals AIが実施。

公開元
Vals AI
カテゴリ
エージェント・ツール
Indexでの重み
参考のみ
モデル
65
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 2.0で、シェル上のエージェントタスクをテストで確認します。Vals AIが実行しています。

採点方法

合格したタスクの割合で、Vals AIが実行しています。

注意点

2.1に置き換えられましたが、比較のために残しています。

65件中65件
#
1GPT-5.5high73.2%63.5$0.7612026-06-04
2Claude Opus 4.8max70.0%61.1$0.8842026-06-04
3Claude Opus 4.7high68.5%60.0$0.9762026-06-04
4Gemini 3.5 Flashhigh67.4%62.5$1.192026-06-04
5Gemini 3.1 Prohigh67.4%60.4$0.5162026-06-04
6GPT-5.3-Codexhigh64.0%–$0.3452026-06-04
7Muse Spark59.5%64.2$0.0702026-06-04
8Claude Sonnet 4.6max59.5%56.1$0.5192026-06-04
9Qwen3.7max59.2%60.0$0.7192026-06-04
10Claude Opus 4.5high58.4%59.7$1.182026-06-04
11GPT-5.4high58.4%58.6$0.5122026-06-04
12Claude Opus 4.6max58.4%57.0$1.142026-06-04
13Kimi K2.657.3%55.1$0.1932026-06-04
14DeepSeek V4 Pro56.2%53.0$0.1802026-06-04
15Gemini 3 Prohigh55.1%60.0$0.4562026-06-04
16GLM 5.153.9%55.4$0.1582026-06-04
17Qwen3.6 Maxmax51.7%62.1$0.3202026-06-04
18Gemini 3 Flashhigh51.7%57.4$0.1692026-06-04
19GPT-5.2high51.7%55.8$0.4702026-06-04
20GLM-5thinking49.4%60.2$0.2472026-06-04
21MiniMax M2.747.2%56.6$0.0742026-06-04
22MiniMax M346.1%56.1$0.2162026-06-04
23Qwen3.6 Plus44.9%59.0$0.1462026-06-04
24GPT-5.1high44.9%57.5$0.4082026-06-04
25GPT-5.4 Minihigh44.9%52.0$0.3052026-06-04
26Qwen3.6 27B44.9%47.9$0.2982026-06-04
27Grok 4.343.5%54.5$0.3732026-06-04
28Qwen3.5 Plusthinking41.6%57.4$0.3222026-06-04
29MiniMax M2.541.6%53.7$0.0852026-06-04
30Claude Sonnet 4.5thinking41.6%52.3$0.7512026-06-04
31Kimi K2.5thinking40.5%59.4$0.1402026-06-04
32Grok 4.20thinking40.5%58.3$0.1542026-06-04
33GPT-5.4 Nanohigh39.9%48.3$0.0752026-06-04
34Gemma 4 31Bhigh39.3%––2026-06-04
35GLM 4.738.2%51.7$0.1842026-06-04
36Claude Haiku 4.5thinking38.2%45.7$0.3282026-06-04
37GPT-5high37.1%58.2$0.4772026-06-04
38MiniMax-M2.137.1%53.8$0.0702026-06-04
39Kimi K2 Thinkingthinking37.1%52.3$0.1162026-06-04
40DeepSeek V3.2high36.0%54.2$0.1662026-06-04
41DeepSeek V3.2推論なし34.8%52.1$0.0632026-06-04
42Laguna M.131.5%37.3–2026-06-04
43Gemini 2.5 Pro30.3%55.2$0.4722026-06-04
44Mistral Medium 3.5high30.3%–$4.712026-06-04
45Grok 4 Fastthinking29.2%51.6$0.0342026-06-04
46Grok 428.1%58.1$0.5532026-06-04
47GLM-4.628.1%50.2$0.1442026-06-04
48Laguna XS.228.1%36.3–2026-06-04
49GPT-5 minihigh27.0%54.6$0.1172026-06-04
50Kimi K225.8%51.1$1.112026-06-04
51Grok 4.1 Fastthinking24.7%55.3$0.0562026-06-04
52Qwen3 Maxmax24.7%54.2$0.4232026-06-04
53Qwen3.5 Flash24.7%51.8$0.1102026-06-04
54Gemini 3.1 Flash Litehigh24.7%48.4$0.0652026-06-04
55DeepSeek V3.122.5%49.0$0.5022026-06-04
56Gemini 2.5 Flash 09 2025thinking21.4%52.8$0.1442026-06-04
57gpt-oss-120b19.1%46.1$0.1322026-06-04
58Trinity Largethinking18.0%47.0$0.3262026-06-04
59Grok 4.1 Fast推論なし18.0%43.1$0.0332026-06-04
60Mistral Small 4high16.9%–$0.1062026-06-04

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 2.0 (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_2

Terminal-Bench 2.0 (Vals):よくある質問

Terminal-Bench 2.0 (Vals)は何を測るベンチマークですか?
Terminal-Bench 2.0で、シェル上のエージェントタスクをテストで確認します。Vals AIが実行しています。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 2.0 (Vals)の最高スコアは?
2026年11月16日時点で、Terminal-Bench 2.0 (Vals)の最高スコアは73.2%で、GPT-5.5が記録しています(結果の日付は2026年6月4日)。次点はClaude Opus 4.8の70.0%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 2.0 (Vals)でトップのAIモデルは?
2026年11月16日時点で、Terminal-Bench 2.0 (Vals)の首位はGPT-5.5で、スコアは73.2%です(結果の日付は2026年6月4日)。続いてClaude Opus 4.8(70.0%)です。
Terminal-Bench 2.0 (Vals)の結果があるモデルはいくつですか?
BenchLeaderでは65のモデル構成にTerminal-Bench 2.0 (Vals)の結果があり、すべてVals AIから取得しています。
Terminal-Bench 2.0 (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 2.0 (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 2.0 (Vals)はBenchLeader Indexに含まれますか?
いいえ。Terminal-Bench 2.0 (Vals)は参考として掲載していますが、総合スコアには含めていません。