加载中...
加载中...
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。
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
数据来源：DataLearnerAI
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | GPT-5.1-Codex-Maxhigh + 使用工具 | 58.1 | 2025-11-19 | 未知 |
| 2 | GPT-5.1 Codexhigh + 使用工具 | 56.3 | 2025-11-14 | 未知 |
| 3 | Claude Sonnet 4.5thinking + 使用工具 | 50 | 2025-09-30 | 未知 |
| 4 | Kimi K2 Thinkingthinking + 使用工具 | 47.1 | 2025-11-06 | 10400 |
| 5 | Claude Opus 4.1thinking | 46.5 | 2025-08-06 | 未知 |
| 6 | 44.5 | 2025-09-05 | 10000 | |
| 7 | Kimi K2 0905thinking + 使用工具 | 44.5 | 2025-09-05 | 10000 |
| 8 | GPT-5thinking + 使用工具 | 43.8 | 2025-08-07 | 未知 |
| 9 | Claude Opus 4.1thinking + 使用工具 | 43.3 | 2025-08-06 | 未知 |
| 10 | Claude Sonnet 4deeper_thinking + 使用工具 | 41.3 | 2025-05-23 | 未知 |
| 11 | Haiku 4.5thinking + 使用工具 | 41 | 2025-10-15 | 未知 |
| 12 | GLM-4.6thinking + 使用工具 | 40.5 | 2025-09-30 | 3550 |
| 13 | Grok 4thinking + 使用工具 | 38 | 2025-07-10 | 未知 |
| 14 | DeepSeek V3.2-Expthinking + 使用工具 | 37.7 | 2025-09-29 | 6710 |
| 15 | 37.5 | 2025-07-11 | 10000 | |
| 16 | 37.5 | 2025-07-23 | 4800 | |
| 17 | GLM-4.5thinking | 37.5 | 2025-07-28 | 3550 |
| 18 | Claude Sonnet 4thinking + 使用工具 | 35.5 | 2025-05-23 | 未知 |
| 19 | 31.3 | 2025-07-31 | 305 | |
| 20 | DeepSeek-V3.1normal + 使用工具 | 31.3 | 2025-08-20 | 6710 |
| 21 | OpenAI o3thinking | 30.2 | 2025-04-16 | 未知 |
| 22 | GLM-4.5-Airthinking | 30 | 2025-07-28 | 1060 |
| 23 | DeepSeek-V3.1 Terminusnormal + 使用工具 | 30 | 2025-09-22 | 6710 |
| 24 | DeepSeek-V3.1 Terminusthinking + 使用工具 | 28 | 2025-09-22 | 6710 |
| 25 | Claude Sonnet 4.5normal + 使用工具 | 27 | 2025-09-30 | 未知 |
| 26 | Claude Sonnet 4normal + 使用工具 | 26 | 2025-05-23 | 未知 |
| 27 | Haiku 4.5normal + 使用工具 | 26 | 2025-10-15 | 未知 |
| 28 | Gemini 2.5-Prothinking | 25.3 | 2025-06-05 | 未知 |
| 29 | MiniMax M2thinking + 使用工具 | 24 | 2025-10-27 | 2300 |
| 30 | DeepSeek V3.2-Expnormal + 使用工具 | 23 | 2025-09-29 | 6710 |