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 4.0

Terminal Bench 4.0

Resultados de evaluaciones comparativas de IA y rendimiento de modelos

Tipo: percentageCode
Ver la fuente de la evaluación

Resultados registrados

25

Puntuación media

47.28%

Rango de puntuaciones

20% - 70.60%

Modelo líder

70.60% - Claude Sonnet 5.5
Puntuaciones a lo largo del tiempo

Puntuaciones individuales de la evaluación a lo largo del tiempo.

Resultados de modelos

OrganizaciónModelosFecha del resultadoMejor puntuaciónInformaciónAutodeclaradoFuente
AnthropicAnthropic
Anthropic
Claude Sonnet 5.528 sept 202670,60 %Terminal-Bench 4.0; reasoning effort max; estimated cost per task $10.44; Reported by OpenAI (not Anthropic) in the GPT-6.1 Terra launch postNoFuente
Google
Google
Gemini 4 Carbon28 oct 202665,20 %Google-reported launch evaluation; Artificial Analysis harness (AA); source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/images/gemini_4_carbon__evals-table.original.png; methodology: deepmind.google/models/evals-methodology/gemini-4-carbonSíFuente
OpenAIOpenAI
OpenAI
GPT-6 Astra03 sept 202658,20 %Terminal-Bench 4.0; reasoning effort max; estimated cost per task $10.34; OpenAI-reported in the GPT-6.1 Terra launch postSíFuente
Google
Google
Gemini 4 Argon13 oct 202657,40 %Google-reported launch evaluation; source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/original_images/gemini-4-argon_table_blog.gifSíFuente
OpenAIOpenAI
OpenAI
GPT-6.1 Sol29 sept 202655,90 %Terminal-Bench 4.0; reasoning effort max; estimated cost per task $1.98; OpenAI-reported in the GPT-6.1 Terra launch postSíFuente
OpenAIOpenAI
OpenAI
GPT-6.1 Terra26 oct 202650,30 %Terminal-Bench 4.0; reasoning effort max; estimated cost per task $1.84; OpenAI-reported in the GPT-6.1 Terra launch postSíFuente
DeepSeek
DeepSeek
DeepSeek V4.1 Flash 101717 oct 202642,30 %Terminal-Bench 4.0; Claude Code harness. Developer-reported percentage score (0–100), higher is better. DeepSeek-V4.1-Flash-1017 model card, release 2026-10-17, accessed 2026-10-17. Reasoning effort and any unlisted evaluation settings are not specified by this card.SíFuente
DeepSeek
DeepSeek
DeepSeek V4.1 Flash10 sept 202631,20 %Instruct model; reasoning_effort=100; DeepSeek Harness Minimal; 1M context; Pass@1SíFuente
OpenAIOpenAI
OpenAI
GPT 5.6 Terra09 jul 202621,50 %Terminal-Bench 4.0; reasoning effort max; estimated cost per task $5.25; OpenAI-reported in the GPT-6.1 Terra launch postSíFuente
Informar de un problema
Registrarse