跳到正文
評測來源

Terminal-Bench 4 · 系統參考

Harbor / Terminal-Bench / 編程 · 保留模型搭配不同 Agent 在終端任務中的原始成績,供交叉核對。

官方評測
在 ATech Hot 中僅供參考
評測權重不計分
來源資料更新時間11/21 00:06
最近成功同步11/22 02:06

它測什麼,怎麼測

固定 Terminal-Bench 4.0,分別保留模型、Agent 版本、推理設定和運行次數;不把不同工具系統解釋為統一模型條件。

如何使用這份證據

原始成績參考:鎖定官方提交清單與數據版本後自動採集,逐條保留不同系統配置,不選模型代表分。只供交叉核對,不進入綜合或編程排名。

評測成績

下列為模型搭配不同 Agent 的系統成績,運行條件不同,僅供參考。每項最多展示 30 條配置,匿名測試型號不展示。

原榜名次原榜型號原始成績運行配置
1fusionGitHub71.2%GitHub Copilot 1.0.111 · max 推理
2claude-fable-5-2Anthropic65.8%Claude Code 2.1.321 · max 推理
3claude-opus-5-5Anthropic64.8%Claude Code 2.1.284 · max 推理
4gemini-4-carbongoogle64.5%Antigravity CLI 1.5.7 · high 推理
5gpt-6.2-astraOpenAI62.1%Codex 0.169.0 · max 推理
6claude-sonnet-5-5anthropic61.8%Claude Code 2.1.284 · max 推理
7gpt-6.2-solOpenAI61.5%Codex 0.169.0 · max 推理
8gemini-4-neonGoogle61.2%Antigravity CLI 1.5.12 · xhigh 推理
9kimi-k3.1-proKimi60.9%Claude Code 2.1.311 · max 推理
10kimi-k3.1-proKimi59.7%Claude Code 2.1.311 · max 推理
11gpt-6.1-solopenai58.2%Codex 0.159.0 · max 推理
12claude-fable-5-1Anthropic57.9%Claude Code 2.1.257 · max 推理
13gemini-4-hydrogengoogle56.4%Antigravity CLI 1.5.7 · high 推理
14gemini-4-argongoogle55.5%Antigravity CLI 1.5.2 · high 推理
15gemini-4-argongoogle54.9%Antigravity CLI 1.5.2 · high 推理
16gpt-6.1-terraOpenAI53.3%Codex 0.164.0 · max 推理
17gpt-6.1-terraOpenAI51.8%Codex 0.164.0 · max 推理
17claude-opus-5Anthropic51.8%Claude Code 2.1.231 · max 推理
19gpt-6-solOpenAI49.4%Codex 0.159.0 · max 推理
20muse-wonder-1.0—47.0%Muse Code 1.4.14 · xhigh 推理
20muse-wonder-1.0—47.0%Muse Code 1.4.14 · xhigh 推理
22claude-fable-5Anthropic44.5%Claude Code 2.1.231 · max 推理
23glm-5.3Z.ai41.8%Claude Code 2.1.207 · max 推理
24claude-haiku-5-5—40.0%Claude Code 2.1.311 · max 推理
24DeepSeek V4.1 Flash 1017deepseek40.0%Claude Code 2.1.311 · max 推理
24claude-haiku-5-5—40.0%Claude Code 2.1.311 · max 推理
27hy4hunyuan39.1%Claude Code 2.1.311 · max 推理
28DeepSeek V4.1 Flash 1017deepseek38.5%Claude Code 2.1.311 · max 推理
29hy4hunyuan37.9%Claude Code 2.1.311 · max 推理
30gpt-5.6-solOpenAI37.3%Codex 0.149.1 · max 推理
評測侷限與數據署名

不同模型使用 Claude Code、Codex、GrokBuild 或 mini-SWE 等不同工具;AA v4.3 已含 Terminal-Bench v4,不得再次計入綜合評測權重。

數據許可:Apache 2.0 · 官方 harbor-framework/terminal-bench 倉庫內的成績提交;保留署名、協議與修改説明。

成績由 Harbor / Terminal-Bench 發佈,原始分數與 ATech Hot 共識指數使用不同尺度,不能直接相加。