Terminal-Bench
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。
更新于 2026-04-19
1,709 次浏览
问题数量
100
发布机构
个人
评测类别
AI Agent - 工具使用
评测指标
Accuracy
支持语言
英文
难度等级
高难度
简介
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
相关资源
Terminal-Bench Model Score Leaderboard
Source: DataLearnerAI
Data sourced primarily from official releases (GitHub, Hugging Face, papers), then benchmark leaderboards, then third-party evaluators. Learn about our data methodology
模式说明:
normal
thinking
low
medium
high
deeper thinking
parallel_thinking
图表加载中...
Latest Terminal-Bench model rankings and full benchmark leaderboard
Browse the latest scores, model modes, release dates, and parameter sizes for Terminal-Bench.
Model release cutoff:
Terminal-Bench详细排名数据表格
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | GPT-5.1-Codex-Max Thinking Level · HighTools | 58.10 | 2025-11-19 | 未知 |
| 2 | GPT-5.1 Codex Thinking Level · HighTools | 56.30 | 2025-11-14 | 未知 |
| 3 | Claude Sonnet 4.5 Thinking EnabledTools | 50.00 | 2025-09-30 | 未知 |
| 4 | Kimi K2 Thinking Thinking EnabledTools | 47.10 | 2025-11-06 | 10400 |
| 5 | Opus 4.1 Extended Thinking | 46.50 | 2025-08-06 | 未知 |
| 6 | Kimi K2 0905 Standard Mode | 44.50 | 2025-09-05 | 10000 |
| 7 | Kimi K2 0905 Thinking EnabledTools | 44.50 | 2025-09-05 | 10000 |
| 8 | GPT-5 Thinking EnabledTools | 43.80 | 2025-08-07 | 未知 |
| 9 | Opus 4.1 Extended ThinkingTools | 43.30 | 2025-08-06 | 未知 |
| 10 | Claude Sonnet 4 Deep Thinking ModeTools | 41.30 | 2025-05-23 | 未知 |
| 11 | Haiku 4.5 Thinking Level · MediumTools | 41.00 | 2025-10-15 | 未知 |
| 12 | GLM-4.6 Thinking EnabledTools | 40.50 | 2025-09-30 | 3550 |
| 13 | Grok 4 Thinking EnabledTools | 38.00 | 2025-07-10 | 未知 |
| 14 | DeepSeek V3.2-Exp Thinking EnabledTools | 37.70 | 2025-09-29 | 6710 |
| 15 | Kimi K2 Standard Mode | 37.50 | 2025-07-11 | 10000 |
| 16 | Qwen3-Coder-480B-A35B Standard Mode | 37.50 | 2025-07-23 | 4800 |
| 17 | GLM-4.5 Thinking Enabled | 37.50 | 2025-07-28 | 3550 |
| 18 | Claude Sonnet 4 Thinking EnabledTools | 35.50 | 2025-05-23 | 未知 |
| 19 | Qwen3-Coder-Flash Standard Mode | 31.30 | 2025-07-31 | 305 |
| 20 | DeepSeek-V3.1 Standard ModeTools | 31.30 | 2025-08-20 | 6710 |
| 21 | OpenAI o3 Thinking Enabled | 30.20 | 2025-04-16 | 未知 |
| 22 | GLM-4.5-Air Thinking Enabled | 30.00 | 2025-07-28 | 1060 |
| 23 | DeepSeek-V3.1 Terminus Standard ModeTools | 30.00 | 2025-09-22 | 6710 |
| 24 | DeepSeek-V3.1 Terminus Thinking EnabledTools | 28.00 | 2025-09-22 | 6710 |
| 25 | Claude Sonnet 4.5 Standard ModeTools | 27.00 | 2025-09-30 | 未知 |
| 26 | Claude Sonnet 4 Standard ModeTools | 26.00 | 2025-05-23 | 未知 |
| 27 | Haiku 4.5 Standard ModeTools | 26.00 | 2025-10-15 | 未知 |
| 28 | Gemini 2.5-Pro Thinking Enabled | 25.30 | 2025-06-05 | 未知 |
| 29 | MiniMax M2 Thinking EnabledTools | 24.00 | 2025-10-27 | 2300 |
| 30 | DeepSeek V3.2-Exp Standard ModeTools | 23.00 | 2025-09-29 | 6710 |
滚动或悬停加载剩余 5 条