Terminal-Bench 大模型得分排行榜
数据来源：DataLearnerAI
Terminal-Bench详细排名数据表格
排名
模型
得分
发布时间
参数(亿)
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。
模型模式说明
不同模式会显著影响成绩，请在对比榜单时留意标签提示。
提示：若某条记录未显示任何标签，即默认是 normal 常规模式。
normal
常规推理：单步推理，不延长思考、也不调用额外工具。
thinking
low
medium
high
Thinking 系列：常规延长思考时间，low/medium/high 代表不同耗时或深度，各厂商叫法不同。
deeper thinking
Deeper thinking：在 Thinking 基础上进一步延长思考链条，通常意味着更多算力与时间。
使用工具 / 联网
允许调用检索、浏览器、代码解释器等外部能力。
parallel_thinking
并行思考：多线程/多代理协同探索再汇总，通常只在厂商内部实验环境中启用、尚未对外开放，因此被视为“作弊”模式。
