PhaseoPhaseo
ModelosChatCompararAplicacionesClasificaciones

Ayuda a mantener correctos los datos públicos

¿Ves algo que falta, es incorrecto o está desactualizado? Cuéntanoslo sobre esta página.

PhaseoPhaseo
Comprobando el estadoComprobando el estadoVisitar la página de estado
El estado por componente no está disponible.

Explorar

  • Modelos
  • Chat
  • Proveedores
  • Aplicaciones
  • Clasificaciones
  • Herramientas

Recursos

  • Comparar
  • Guías de migración
  • Metodología
  • Blog

Comunidad

  • Discord
  • GitHub
  • LinkedIn
  • Reddit
  • X

Desarrollar

  • Documentación
  • Referencia de la API
  • Inicio rápido
  • SDK

Empresa

  • Acerca de
  • Centro de confianza
  • Misión
  • Precios
  • Compatible con
  • Agradecimientos
  • Soporte
  • Privacidad
  • Términos

Explorar

  • Modelos
  • Chat
  • Proveedores
  • Aplicaciones
  • Clasificaciones
  • Herramientas

Desarrollar

  • Documentación
  • Referencia de la API
  • Inicio rápido
  • SDK

Recursos

  • Comparar
  • Guías de migración
  • Metodología
  • Blog

Empresa

  • Acerca de
  • Centro de confianza
  • Misión
  • Precios
  • Compatible con
  • Agradecimientos
  • Soporte
  • Privacidad
  • Términos

Comunidad

  • Discord
  • GitHub
  • LinkedIn
  • Reddit
  • X

© 2025 • Phaseo

Cambiar idioma: Español (España)
  • English (UK)
  • 简体中文
  • हिन्दी
  • Español (España)
  • Français (France)
  • Deutsch (Deutschland)
  • Português (Brasil)
  • 日本語
  • العربية

Ayuda:Problema·Soporte

¿Necesitas ayuda con Phaseo?Abrir un problemaocontactar con soporte

Terminal Bench 2.1

Terminal Bench 2.1

Resultados de evaluaciones comparativas de IA y rendimiento de modelos

Tipo: percentageCode
Ver la fuente de la evaluación

Resultados registrados

17

Puntuación media

75.10%

Rango de puntuaciones

24.58% - 90.60%

Modelo líder

90.60% - DeepSeek V4.1 Flash
Puntuaciones a lo largo del tiempo

Puntuaciones individuales de la evaluación a lo largo del tiempo.

Resultados de modelos

OrganizaciónModelosFecha del resultadoMejor puntuaciónInformaciónAutodeclaradoFuente
DeepSeek
DeepSeek
DeepSeek V4.1 Flash10 sept 202690,60 %Instruct model; reasoning_effort=100; DeepSeek Harness Minimal; 1M context; Pass@1SíFuente
MoonshotMoonshot
Moonshot
Kimi K316 jul 202688,30 %KimiCode harness; other models in Moonshot's comparison use their best reported score across different harnesses.SíFuente
AnthropicAnthropic
Anthropic
Claude Fable 509 jun 202688 %Starred row in Anthropic's launch tableSíFuente
AnthropicAnthropic
Anthropic
Claude Mythos 509 jun 202688 %Starred row in Anthropic's launch tableSíFuente
DeepSeek
DeepSeek
DeepSeek V4 Flash 073131 jul 202682,70 %DeepSeek Harness minimal mode; max effort; top_p=0.95; temperature=1.0SíFuente
Sakana AI
Sakana AI
Fugu Ultra22 jun 202682,10 %Sakana Fugu product page benchmark table.SíFuente
AnthropicAnthropic
Anthropic
Claude Sonnet 530 jun 202680,40 %mini-SWE-agent harness; xhigh effort; mean reward across 445 trialsSíFuente
Sakana AI
Sakana AI
Fugu22 jun 202680,20 %Sakana Fugu product page benchmark table.SíFuente
ReflectionReflection
Reflection
Beam05 oct 202680,10 %Reflection-reported launch score. Source row: Terminal Bench v2.1. Accessed 2026-10-05T22:51:12.456Z. Harness, reasoning effort, sampling and trial count are not specified per row. Not independently reproduced.SíFuente
Meta
Meta
Muse Spark 1.109 jul 202680 %Agentic terminal codingSíFuente
Google
Google
Gemini 3.5 Flash19 may 202676,20 %-SíFuente
AnthropicAnthropic
Anthropic
Claude Opus 4.828 may 202674,60 %Terminus-2 public harness; max effortSíFuente
Qwen
Qwen
Qwen 3.8 27B14 ago 202673 %Terminus harnessSíFuente
PoolsidePoolside
Poolside
Laguna S 2.121 jul 202670,20 %mean pass@1 with thinking enabledSíFuente
MiniMax
MiniMax
MiniMax M301 jun 202666 %-SíFuente
Meta
Meta
Muse Glimmer 30B10 ago 202651,70 %With terminus2; high reasoningSíFuente
Nvidia
Nvidia
Nemotron 3.5 Lightning 30B A3B11 ago 202624,58 %NVIDIA release evaluation suiteSíFuente
Informar de un problema
Registrarse