Terminal-Bench 2.1：终端环境下的AI代理评测基准

Terminal-Bench是一个针对AI代理在真实终端环境中的能力评测基准，由Stanford University与Laude Institute合作开发。Terminal-Bench 2.1是2.0的改进版本，基于Z.ai的Terminal-Bench 2.0 Verified进行优化，目前处于活跃状态，但任务尚未完全上传。

该基准聚焦软件工程、系统管理、机器学习、数据处理、安全等领域中的多步终端任务，强调端到端执行而非单纯代码生成。每个任务置于独立的Docker环境中，通过测试脚本验证最终状态。

当前终端代理评测面临的问题

现有许多代理评测基准存在以下情况：任务难度不足以区分前沿模型；验证机制不够严格，导致部分任务可通过作弊或不可复现方式通过；任务与真实工作流脱节，难以反映实际部署价值；容易出现训练数据污染或过拟合。

Terminal-Bench系列旨在解决这些问题，通过真实容器环境、严格的人工验证和结果导向评估，提供更可靠的信号。

基准基本信息与目标

：Stanford University与Laude Institute合作项目，GitHub仓库包括harbor-framework/terminal-bench等。官网为tbench.ai。