Terminal Bench 4.0
AI बेंचमार्क के परिणाम और मॉडल का प्रदर्शन
प्रकार: percentageCode
दर्ज परिणाम
25
औसत स्कोर
47.28%
स्कोर सीमा
20% - 70.60%
अग्रणी मॉडल
70.60% - Claude Sonnet 5.5
समय के साथ स्कोर
तारीख के अनुसार दिखाए गए अलग-अलग बेंचमार्क स्कोर।
मॉडल परिणाम
| संगठन | मॉडल | रिपोर्ट किया गया | सबसे ऊँचा स्कोर | जानकारी | स्व-रिपोर्ट किया गया | स्रोत |
|---|---|---|---|---|---|---|
| Claude Sonnet 5.5 | 28 सित॰ 2026 | 70.60% | 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 post | नहीं | स्रोत | |
| Gemini 4 Carbon | 28 अक्टू॰ 2026 | 65.20% | 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-carbon | हाँ | स्रोत | |
| GPT-6 Astra | 03 सित॰ 2026 | 58.20% | Terminal-Bench 4.0; reasoning effort max; estimated cost per task $10.34; OpenAI-reported in the GPT-6.1 Terra launch post | हाँ | स्रोत | |
| Gemini 4 Argon | 13 अक्टू॰ 2026 | 57.40% | Google-reported launch evaluation; source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/original_images/gemini-4-argon_table_blog.gif | हाँ | स्रोत | |
| GPT-6.1 Sol | 29 सित॰ 2026 | 55.90% | Terminal-Bench 4.0; reasoning effort max; estimated cost per task $1.98; OpenAI-reported in the GPT-6.1 Terra launch post | हाँ | स्रोत | |
| GPT-6.1 Terra | 26 अक्टू॰ 2026 | 50.30% | Terminal-Bench 4.0; reasoning effort max; estimated cost per task $1.84; OpenAI-reported in the GPT-6.1 Terra launch post | हाँ | स्रोत | |
| DeepSeek V4.1 Flash 1017 | 17 अक्टू॰ 2026 | 42.30% | 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. | हाँ | स्रोत | |
| DeepSeek V4.1 Flash | 10 सित॰ 2026 | 31.20% | Instruct model; reasoning_effort=100; DeepSeek Harness Minimal; 1M context; Pass@1 | हाँ | स्रोत | |
| GPT 5.6 Terra | 09 जुल॰ 2026 | 21.50% | Terminal-Bench 4.0; reasoning effort max; estimated cost per task $5.25; OpenAI-reported in the GPT-6.1 Terra launch post | हाँ | स्रोत |
