Terminal Bench 2.1

Name: Terminal Bench 2.1
Keywords: Terminal Bench 2.1, AIベンチマーク, モデル評価, AIベンチマークランキング, AIモデルの性能

AIベンチマーク結果とモデルの性能

種類: percentageCode

ベンチマークの出典を見る

記録された結果

平均スコア

75.10%

スコアの範囲

24.58% - 90.60%

最上位モデル

90.60% - DeepSeek V4.1 Flash

スコアの推移

日付ごとの個別ベンチマークスコアです。

モデル結果

組織	モデル	報告日	最高スコア	情報	自己申告	出典
DeepSeek	DeepSeek V4.1 Flash	2026年9月10日	90.60%	Instruct model; reasoning_effort=100; DeepSeek Harness Minimal; 1M context; Pass@1	はい	出典
Moonshot	Kimi K3	2026年7月16日	88.30%	KimiCode harness; other models in Moonshot's comparison use their best reported score across different harnesses.	はい	出典
Anthropic	Claude Fable 5	2026年6月09日	88%	Starred row in Anthropic's launch table	はい	出典
Anthropic	Claude Mythos 5	2026年6月09日	88%	Starred row in Anthropic's launch table	はい	出典
DeepSeek	DeepSeek V4 Flash 0731	2026年7月31日	82.70%	DeepSeek Harness minimal mode; max effort; top_p=0.95; temperature=1.0	はい	出典
Sakana AI	Fugu Ultra	2026年6月22日	82.10%	Sakana Fugu product page benchmark table.	はい	出典
Anthropic	Claude Sonnet 5	2026年6月30日	80.40%	mini-SWE-agent harness; xhigh effort; mean reward across 445 trials	はい	出典
Sakana AI	Fugu	2026年6月22日	80.20%	Sakana Fugu product page benchmark table.	はい	出典
Reflection	Beam	2026年10月05日	80.10%	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.	はい	出典
Meta	Muse Spark 1.1	2026年7月09日	80%	Agentic terminal coding	はい	出典
Google	Gemini 3.5 Flash	2026年5月19日	76.20%	-	はい	出典
Anthropic	Claude Opus 4.8	2026年5月28日	74.60%	Terminus-2 public harness; max effort	はい	出典
Qwen	Qwen 3.8 27B	2026年8月14日	73%	Terminus harness	はい	出典
Poolside	Laguna S 2.1	2026年7月21日	70.20%	mean pass@1 with thinking enabled	はい	出典
MiniMax	MiniMax M3	2026年6月01日	66%	-	はい	出典
Meta	Muse Glimmer 30B	2026年8月10日	51.70%	With terminus2; high reasoning	はい	出典
Nvidia	Nemotron 3.5 Lightning 30B A3B	2026年8月11日	24.58%	NVIDIA release evaluation suite	はい	出典

公開データの正確性にご協力ください