BenchLeader

Terminal-Bench 排行榜

截至 2026年11月16日,Terminal-Bench 的最高分为 84.7%,由 GPT-5.5(OpenAI)取得,领先于 GPT-5.4(81.8%)。共有 109 个模型配置公布了结果(Terminal-Bench,结果日期 2026年4月23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 计入 BenchLeader Index 的智能体与工具得分。

要点(截至 2026年11月16日)

  • GPT-5.5 以 84.7% 保持 Terminal-Bench 最高分(Terminal-Bench,2026年4月23日)。
  • GPT-5.4 以 81.8% 位列 Terminal-Bench 第二(Terminal-Bench,2026年3月5日)。
  • Terminal-Bench:命令行智能体任务;每个模型取各框架中的最佳结果(Terminal-Bench)。
  • BenchLeader 上有 109 个模型配置公布了 Terminal-Bench 结果(BenchLeader,2026年11月16日)。
  • Terminal-Bench 计入 BenchLeader Index 的智能体与工具类别(BenchLeader 方法论)。

命令行智能体任务;每个模型取各框架中的最佳结果。

发布方
Terminal-Bench数据经由 Epoch AI Benchmarking Hub
类别
智能体与工具
Index 权重
1.0
模型
109
数据截至
2026年11月16日
最新结果
2026年11月12日

CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.

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

检查全部通过的任务百分比。Epoch 的排行榜保留每个模型在各种测试框架下已公布的最佳结果。

注意事项

测试框架和工具影响很大,所以“每个模型取最佳”会混入不同的智能体。任务耗时长,一次不稳定的运行就会改变分数;Artificial Analysis 和 Vals AI 运行的更难子集更适合用来排名。

109 / 109
#
1GPT-5.584.7%61.0––2026-04-23
2GPT-5.481.8%57.9––2026-03-05
3Claude Opus 4.780.2%63.1––2026-04-16
4Gemini 3.1 Pro80.2%59.9––2026-02-19
5Claude Opus 4.679.8%62.1––2026-02-05
6GPT-5.3-Codex78.4%–––2026-02-05
7Gemini 3 Pro69.4%60.0––2025-11-18
8GPT-5.2-Codex66.5%57.6––2025-12-18
9新Claude Fable 5.2max65.8%72.7Claude Code$16492.762026-11-09
10Claude Opus 5.5max65.8%68.4Claude Code$4718.652026-09-22
11GPT-5.264.9%56.7––2025-12-11
12GPT-5.2medium64.9%56.2––2025-12-11
13Gemini 4 Carbonhigh64.5%68.9Antigravity CLI$1358.252026-10-28
14Gemini 3 Flash64.3%56.5––2025-12-17
15Claude Sonnet 5.5max63.9%64.2Claude Code$7333.642026-09-28
16Claude Opus 4.563.1%57.1––2025-11-24
17GPT-5.1-Codex-Mini61.6%–––2025-11-12
18GPT-6.1 Solmax60.9%66.6Codex$634.242026-09-29
19GPT-5.1-Codex-Maxmax60.5%–––2025-11-19
20GPT-6 Astramax60.3%67.3Codex$3267.182026-09-03
21GPT-6 Astrahigh60.0%66.3Codex$2269.422026-09-03
22GPT-6 Astraxhigh59.7%66.0Codex$2350.512026-09-03
23Kimi K3.1 Promax59.7%59.9Claude Code$1086.662026-10-24
24GPT-5.1-Codex57.8%–––2025-11-12
25Claude Fable 5.1xhigh57.6%64.6Claude Code$4872.042026-09-01
26Grok 4.2057.3%–––2026-02-17
27Claude Fable 5.1max57.3%66.7Claude Code$6243.502026-09-01
28新Gemini 4 Hydrogenhigh56.4%63.4Antigravity CLI$784.242026-11-12
29Gemini 4 Argonhigh55.5%65.3Antigravity CLI$1108.982026-09-30
30GPT-6 Astramedium55.1%64.4Codex$1914.802026-09-03
31Claude Fable 5.1high54.9%63.7Claude Code$3985.382026-09-01
32Claude Fable 5.1medium53.9%61.7Claude Code$2832.902026-09-01
33Claude Sonnet 4.653.4%57.6––2026-02-17
34GPT-6.1 Terramax53.3%64.1Codex$874.442026-10-26
35Claude Opus 5xhigh53.3%60.1Claude Code$6086.222026-07-24
36GLM-552.4%54.9––2026-02-11
37Claude Opus 5max52.1%65.0Claude Code$5969.112026-07-24
38GPT-6 Astralow50.9%62.0Codex$1557.302026-09-03
39GPT-6 Solmax50.3%62.6Codex$1451.322026-09-22
40Claude Opus 5high49.7%64.4Claude Code$4662.272026-07-24
41GPT-549.6%56.6––2025-08-07
42GPT-5medium49.6%59.0––2025-08-07
43GPT-5.1medium47.6%52.4––2025-11-13
44GPT-5.147.6%56.1––2025-11-13
45Muse Wonderxhigh47.0%–Muse Code$2452.312026-10-12
46Claude Sonnet 4.546.5%53.8––2025-09-29
47Claude Opus 5medium45.1%57.5Claude Code$3191.592026-07-24
48MiniMax M2.745.1%56.6––2026-03-18
49Claude Fable 5max44.9%65.1Claude Code$7265.012026-06-09
50GPT-5-Codex44.3%–––2025-09-15
51Claude Fable 5.1low43.3%58.8Claude Code$2358.722026-09-01
52Kimi K2.543.2%54.6––2026-01-27
53MiniMax M2.542.7%53.7––2026-02-12
54GLM 5.3max41.2%58.8Claude Code$2727.632026-08-14
55Claude Haiku 5.5max40.0%55.3Claude Code$952.472026-10-07
56DeepSeek V3.239.5%50.2––2025-12-01
57Grok 4.7xhigh38.8%57.4Grok Build$3683.292026-09-21
58GPT-5.6 Solmax38.5%65.3Codex$2541.702026-06-26
59DeepSeek V4.1 Flash 1017max38.5%57.7Claude Code$184.892026-10-17
60Claude Opus 4.138.0%51.1––2025-08-05

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 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/terminal_bench。

Terminal-Bench:常见问题

Terminal-Bench 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 的最高分是多少?
截至 2026年11月16日,Terminal-Bench 的最高分为 84.7%,由 GPT-5.5 取得(结果日期 2026年4月23日),领先于 GPT-5.4(81.8%)。分数来自 Terminal-Bench,每天重新读取。
哪个 AI 模型在 Terminal-Bench 上领先?
截至 2026年11月16日,Terminal-Bench 排名第一的是 GPT-5.5,分数为 84.7%(结果日期 2026年4月23日)。其后为 GPT-5.4(81.8%)。
有多少模型有 Terminal-Bench 结果?
BenchLeader 上有 109 个模型配置有 Terminal-Bench 结果,全部取自 Terminal-Bench(经由 Epoch AI Benchmarking Hub)。
Terminal-Bench 由谁运行,多久更新一次?
Terminal-Bench 由 Terminal-Bench 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 是否计入 BenchLeader Index?
计入。Terminal-Bench 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。