Terminal-Bench 评测基准与性能对比

Terminal-Bench是一个新兴的开源基准测试，专为评估人工智能Agent（AI Agent）在命令行终端环境中的实际操作能力而设计。它通过一系列模拟真实世界场景的复杂任务，旨在客观、可量化地衡量AI Agent在执行代码编译、服务器管理和数据处理等任务时的熟练程度与自主性。

Terminal-Bench

用于评测大模型在命令行环境下执行工具的Agentic能力的评测基准

问题数量 100
发布机构 个人
评测类别 综合评估
评测指标 Accuracy
支持语言 英文
难度等级 高难度

Terminal-Bench 大模型得分排行榜

数据来源：DataLearnerAI

排名
模型
得分
发布时间
参数(亿)
1
Anthropic Logo
Claude Opus 4.1 thinking + 使用工具
43.3
2025-08-06
0.0
Terminal-Bench得分 43.3
发布时间 2025-08-06
参数(亿) 0.0
查看模型详情
2
智谱AI Logo
GLM-4.5 thinking
37.5
2025-07-28
3550.0
Terminal-Bench得分 37.5
发布时间 2025-07-28
参数(亿) 3550.0
查看模型详情
3
阿里巴巴 Logo
Qwen3-Coder-480B-A35B
37.5
2025-07-23
4800.0
Terminal-Bench得分 37.5
发布时间 2025-07-23
参数(亿) 4800.0
查看模型详情
4
阿里巴巴 Logo
Qwen3-Coder-Flash
31.3
2025-07-31
305.0
Terminal-Bench得分 31.3
发布时间 2025-07-31
参数(亿) 305.0
查看模型详情
5
OpenAI Logo
OpenAI o3 thinking
30.2
2025-04-16
未知
Terminal-Bench得分 30.2
发布时间 2025-04-16
参数(亿) 未知
查看模型详情
6
智谱AI Logo
GLM-4.5-Air thinking
30.0
2025-07-28
1060.0
Terminal-Bench得分 30.0
发布时间 2025-07-28
参数(亿) 1060.0
查看模型详情
7
Google Deep Mind Logo
Gemini-2.5-Pro-Preview-06-05 thinking
25.3
2025-06-05
未知
Terminal-Bench得分 25.3
发布时间 2025-06-05
参数(亿) 未知
查看模型详情