BenchLeader

Terminal-Bench Hard 排行榜

截至 2026年11月16日,Terminal-Bench Hard 的最高分为 65.9%,由 GPT-5.6 Sol(OpenAI)取得,领先于 Claude Fable 5(62.9%)。共有 411 个模型配置公布了结果(Artificial Analysis,结果日期 2026年7月9日)。Terminal-Bench 给智能体一个容器里的 shell 和一项任务,例如从源码构建项目、修复损坏的文件系统或部署一个服务,然后用测试检查最终状态。Terminal-Bench Hard 计入 BenchLeader Index 的智能体与工具得分。

要点(截至 2026年11月16日)

  • GPT-5.6 Sol 以 65.9% 保持 Terminal-Bench Hard 最高分(Artificial Analysis,2026年7月9日)。
  • Claude Fable 5 以 62.9% 位列 Terminal-Bench Hard 第二(Artificial Analysis,2026年6月9日)。
  • Terminal-Bench Hard:在固定框架中运行的 Terminal-Bench 高难度子集。由 Artificial Analysis 运行(Artificial Analysis)。
  • BenchLeader 上有 411 个模型配置公布了 Terminal-Bench Hard 结果(BenchLeader,2026年11月16日)。
  • Terminal-Bench Hard 计入 BenchLeader Index 的智能体与工具类别(BenchLeader 方法论)。

在固定框架中运行的 Terminal-Bench 高难度子集。由 Artificial Analysis 运行。

发布方
Artificial Analysis
类别
智能体与工具
Index 权重
0.5
模型
411
数据截至
2026年11月16日

Source: Artificial Analysis (artificialanalysis.ai). Data taken from the public leaderboard.

测试内容

Terminal-Bench 给智能体一个容器里的 shell 和一项任务,例如从源码构建项目、修复损坏的文件系统或部署一个服务,然后用测试检查最终状态。

评分方式

在该测试框架中通过检查的任务百分比。

注意事项

Terminal-Bench 中最难的任务子集,由 Artificial Analysis 对所有模型使用同一个固定的智能体测试框架运行。固定的测试框架让模型之间可以比较,但可能低估为其他智能体循环打造的模型。子集很小,所以分数噪声较大。另请参阅 Terminal-Bench 排行榜。

411 / 411
#
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无推理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无推理49.2%52.32026-04-23
25KAT-Coder-Pro V249.2%–2026-03-27
26Claude Opus 4.6无推理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无推理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无推理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无推理39.4%–2026-02-11
60Gemini 3 Flashthinking38.6%58.92025-12-17

更多智能体与工具基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《Terminal-Bench Hard 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/aa_terminalbench_hard。

Terminal-Bench Hard:常见问题

Terminal-Bench Hard 衡量的是什么?
Terminal-Bench 给智能体一个容器里的 shell 和一项任务,例如从源码构建项目、修复损坏的文件系统或部署一个服务,然后用测试检查最终状态。分数以完成任务的百分比表示,越高越好。
Terminal-Bench Hard 的最高分是多少?
截至 2026年11月16日,Terminal-Bench Hard 的最高分为 65.9%,由 GPT-5.6 Sol 取得(结果日期 2026年7月9日),领先于 Claude Fable 5(62.9%)。分数来自 Artificial Analysis,每天重新读取。
哪个 AI 模型在 Terminal-Bench Hard 上领先?
截至 2026年11月16日,Terminal-Bench Hard 排名第一的是 GPT-5.6 Sol,分数为 65.9%(结果日期 2026年7月9日)。其后为 Claude Fable 5(62.9%)。
有多少模型有 Terminal-Bench Hard 结果?
BenchLeader 上有 411 个模型配置有 Terminal-Bench Hard 结果,全部取自 Artificial Analysis。
Terminal-Bench Hard 由谁运行,多久更新一次?
Terminal-Bench Hard 由 Artificial Analysis 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
Terminal-Bench Hard 是否计入 BenchLeader Index?
计入。Terminal-Bench Hard 计入 BenchLeader Index 的智能体与工具类别,并经过归一化,使参评模型的平均值为 50。