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。
- 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。
- 1GPT-5.6 Sol (max)65.9%
- 2Claude Fable 5 (max)62.9%
- 3GPT-5.6 Sol (medium)62.9%
- 4GPT-5.6 Terra (xhigh)62.9%
- 5GPT-5.6 Sol (high)62.1%
- 6GPT-5.6 Sol (xhigh)61.4%
- 7GPT-5.5 (xhigh)60.6%
- 8GPT-5.6 Sol (low)60.6%
- 9GPT-5.5 (high)59.9%
- 10Claude Opus 4.8 (max)58.3%
- 11GPT-5.4 (xhigh)57.6%
- 12GPT-5.5 (medium)57.6%
- 13GPT-5.6 Terra (max)57.6%
- 14GPT-5.6 Terra (high)57.6%
- 15Claude Opus 4.7 (none)54.5%
| # | ||||
|---|---|---|---|---|
| 1 | 65.9% | 65.3 | 2026-07-09 | |
| 2 | 62.9% | 65.1 | 2026-06-09 | |
| 3 | 62.9% | 61.3 | 2026-07-09 | |
| 4 | 62.9% | 60.1 | 2026-07-09 | |
| 5 | 62.1% | 63.4 | 2026-07-09 | |
| 6 | 61.4% | 63.9 | 2026-07-09 | |
| 7 | 60.6% | 64.1 | 2026-04-23 | |
| 8 | 60.6% | 60.2 | 2026-07-09 | |
| 9 | 59.9% | 63.5 | 2026-04-23 | |
| 10 | 58.3% | 61.1 | 2026-05-28 | |
| 11 | 57.6% | 63.1 | 2026-03-05 | |
| 12 | 57.6% | 60.8 | 2026-04-23 | |
| 13 | 57.6% | 59.5 | 2026-07-09 | |
| 14 | 57.6% | 56.8 | 2026-07-09 | |
| 15 | 54.5% | – | 2026-04-16 | |
| 16 | 53.8% | 59.9 | 2026-02-19 | |
| 17 | 53.0% | 62.9 | 2026-02-05 | |
| 18 | 53.0% | 56.1 | 2026-02-17 | |
| 19 | 52.3% | 58.1 | 2026-04-23 | |
| 20 | 52.3% | 55.1 | 2026-03-17 | |
| 21 | 51.5% | 59.7 | 2026-04-16 | |
| 22 | 50.8% | 60.0 | 2026-05-19 | |
| 23 | 50.8% | 58.9 | 2026-06-16 | |
| 24 | 49.2% | 52.3 | 2026-04-23 | |
| 25 | 49.2% | – | 2026-03-27 | |
| 26 | 48.5% | 58.4 | 2026-02-05 | |
| 27 | 47.0% | 59.9 | 2025-12-11 | |
| 28 | 47.0% | 59.3 | 2025-11-24 | |
| 29 | 47.0% | 57.6 | 2026-06-01 | |
| 30 | 46.2% | 57.0 | 2026-02-05 | |
| 31 | 46.2% | 55.6 | 2026-05-19 | |
| 32 | 46.2% | – | 2026-02-17 | |
| 33 | 46.2% | – | 2026-04-24 | |
| 34 | 45.5% | 64.2 | 2026-04-08 | |
| 35 | 45.5% | 57.5 | 2025-11-13 | |
| 36 | 44.7% | 53.9 | 2026-06-12 | |
| 37 | 43.9% | 62.1 | 2026-04-20 | |
| 38 | 43.9% | 59.3 | 2026-04-20 | |
| 39 | 43.9% | 59.0 | 2026-04-02 | |
| 40 | 43.9% | 53.3 | 2026-07-09 | |
| 41 | 43.2% | 60.2 | 2026-02-11 | |
| 42 | 43.2% | 58.8 | 2026-03-05 | |
| 43 | 43.2% | 56.2 | 2025-12-11 | |
| 44 | 43.2% | – | 2026-04-07 | |
| 45 | 43.2% | – | 2026-04-22 | |
| 46 | 42.4% | 56.9 | 2026-05-05 | |
| 47 | 42.4% | 56.1 | 2026-06-01 | |
| 48 | 42.4% | 53.9 | 2026-03-17 | |
| 49 | 42.4% | – | 2026-02-17 | |
| 50 | 41.7% | 60.0 | 2025-11-18 | |
| 51 | 41.7% | 56.3 | 2026-04-22 | |
| 52 | 41.7% | – | 2026-04-24 | |
| 53 | 40.9% | 62.5 | 2026-05-19 | |
| 54 | 40.9% | 59.1 | 2026-03-18 | |
| 55 | 40.9% | 56.4 | 2026-02-16 | |
| 56 | 40.9% | 51.9 | 2025-11-24 | |
| 57 | 39.4% | 61.8 | 2026-05-19 | |
| 58 | 39.4% | 56.6 | 2026-03-18 | |
| 59 | 39.4% | – | 2026-02-11 | |
| 60 | 38.6% | 58.9 | 2025-12-17 |
相关基准测试
Terminal-Bench Hard 上的热门模型对比
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。