BenchLeader

Terminal-Bench 4.0 (Vals)のリーダーボード

2026年11月16日時点で、Terminal-Bench 4.0 (Vals)の最高スコアは65.2%で、Claude Opus 5.5とClaude Fable 5.2が並んでいます。次点はClaude Sonnet 5.5の64.1%です。公表された結果があるのは62のモデル構成です(Vals AI、結果の日付は2026年11月11日)。現在の最先端のエージェントでも解けないよう作られたTerminal-Bench 4.0のタスクで、Vals AIが実行しています。Terminal-Bench 4.0 (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)

  • Claude Opus 5.5とClaude Fable 5.2がTerminal-Bench 4.0 (Vals)の最高スコア65.2%で並んでいます(Vals AI、2026年11月16日)。
  • Terminal-Bench 4.0 (Vals):最難関レベルのセットであるTerminal-Bench 4.0を、Vals AIのハーネスで実行。Vals AIが実施(Vals AI)。
  • BenchLeaderでは62のモデル構成にTerminal-Bench 4.0 (Vals)の公表結果があります(BenchLeader、2026年11月16日)。
  • Terminal-Bench 4.0 (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)。

最難関レベルのセットであるTerminal-Bench 4.0を、Vals AIのハーネスで実行。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
62
データ基準日
2026年11月16日

Vals AI (vals.ai).

どんなテストか

現在の最先端のエージェントでも解けないよう作られたTerminal-Bench 4.0のタスクで、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

新しく難易度の高いテストで、セットは小さく、スコアも低くなっています。

62件中62件
#
1Claude Opus 5.5max65.2%68.4$12.042026-11-11
2NEWClaude Fable 5.2high65.2%68.4$14.562026-11-11
3Claude Sonnet 5.5max64.1%64.2$10.752026-11-11
4Kimi K3.1 Promax63.6%59.9$4.572026-11-11
5Gemini 4 Carbonhigh63.1%68.9$7.452026-11-11
6GPT-6 Astramax59.6%67.3$9.582026-11-11
7Claude Fable 5.1max58.1%66.7$17.182026-11-11
8Muse Wonder Fullmax58.1%61.7$10.532026-11-11
9Gemini 4 Argonhigh57.6%65.3$17.642026-11-11
10GPT-6.1 Solmax55.0%66.6$1.722026-11-11
11NEWGemini 4 Hydrogenxhigh54.0%61.8$7.562026-11-11
12Claude Opus 5max53.5%65.0$18.602026-11-11
13GPT-6.1 Terramax49.5%64.1$2.162026-11-11
14Muse Wondermax49.5%60.8$14.662026-11-11
15GPT-6 Solmax44.4%62.6$5.792026-11-11
16Claude Fable 5max41.4%65.1$30.342026-11-11
17Hy439.4%56.7$1.282026-11-11
18NEWMuse Embermax39.4%52.1$0.2182026-11-11
19GLM 5.3max38.9%58.8$9.372026-11-11
20Qwen3.8 Max Internal38.9%–$12.152026-11-11
21GPT-5.6 Solmax37.9%65.3$7.982026-11-11
22GLM 5.3 Flashmax37.4%52.4$1.222026-11-11
23Claude Haiku 5.5max36.4%55.3$3.122026-11-11
24Qwen3.8 Maxmax34.3%58.7$10.632026-11-11
25DeepSeek V4.1 Flash 1017max31.8%57.7$0.5392026-11-11
26Step 5 Preview31.8%56.0$3.112026-11-11
27MiMo-V2.6-Pro31.3%57.5$0.4572026-11-11
28Grok 4.7xhigh28.8%57.4$18.012026-11-11
29Mistral Large 4high27.8%48.3$5.182026-11-11
30Mistral Large 4 OSShigh26.3%–$2.732026-11-11
31MiniMax M3.1 Flashmax25.3%–$0.7352026-11-11
32Muse Spark 1.3max24.8%60.6$6.652026-11-11
33MiMo-V2.6-Flash24.2%54.8$0.2122026-11-11
34Claude Opus 4.8max23.2%61.1$17.142026-11-11
35GPT-5.6 Terramax22.7%59.5$5.602026-11-11
36Ember-120.7%–$19.482026-11-11
37Gemini 3.8 Flashhigh19.7%59.4$8.652026-11-11
38DeepSeek V4.1 Flashhigh19.7%55.6$0.4992026-11-11
39DeepSeek V4 Flashhigh18.7%57.2$0.7662026-11-11
40Grok 4.6high17.2%60.6$5.062026-11-11
41Kimi K3max17.2%60.2$12.482026-11-11
42DeepSeek V4 Promax14.1%54.7$3.312026-11-11
43GPT-6 Lunamax13.6%55.1$0.3552026-11-11
44Inkling 2 Small12.6%57.9$8.222026-11-11
45Gemini 3.7 Flashhigh12.1%62.1$8.712026-11-11
46GPT-5.6 Lunamax11.6%56.2$0.7322026-11-11
47Muse Spark 1.3xhigh10.6%58.1$7.042026-11-11
48Claude Sonnet 5max10.6%56.1$26.052026-11-11
49Grok 4.5high8.6%56.8$5.522026-11-11
50Muse Spark Openxhigh6.6%53.5$7.262026-11-11
51Gemini 3.5 Flashhigh6.1%62.5$5.982026-11-11
52Muse Spark 1.2xhigh6.1%61.5$4.142026-11-11
53Beam 1.04.0%45.9–2026-11-11
54Mercury 3high3.0%–$0.4222026-11-11
55Gemini 3.1 Prohigh2.5%60.4$4.112026-11-11
56GPT-5.4 Minixhigh2.5%55.1$1.442026-11-11
57MiniMax M31.0%56.1$7.232026-11-11
58MiMo-V2.5-Pro0.5%55.5$0.2332026-11-11
59Inkling0.5%50.4$2.502026-11-11
60Inkling Small0.0%52.0$0.3222026-11-11

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 4.0 (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_4

Terminal-Bench 4.0 (Vals):よくある質問

Terminal-Bench 4.0 (Vals)は何を測るベンチマークですか?
現在の最先端のエージェントでも解けないよう作られたTerminal-Bench 4.0のタスクで、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 4.0 (Vals)の最高スコアは?
2026年11月16日時点で、Terminal-Bench 4.0 (Vals)の最高スコアは65.2%で、Claude Opus 5.5とClaude Fable 5.2が並んでいます。次点はClaude Sonnet 5.5の64.1%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 4.0 (Vals)でトップのAIモデルは?
2026年11月16日時点で、Claude Opus 5.5とClaude Fable 5.2が65.2%でTerminal-Bench 4.0 (Vals)の首位に並んでいます。
Terminal-Bench 4.0 (Vals)の結果があるモデルはいくつですか?
BenchLeaderでは62のモデル構成にTerminal-Bench 4.0 (Vals)の結果があり、すべてVals AIから取得しています。
Terminal-Bench 4.0 (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 4.0 (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 4.0 (Vals)はBenchLeader Indexに含まれますか?
いいえ。Terminal-Bench 4.0 (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。