Terminal Bench 2.0
AI 基准测试结果和模型表现
类型: percentage
已记录的结果
50
平均分数
57.62%
分数范围
31% - 92.10%
领先模型
92.10% - Claude Mythos Preview
分数变化趋势
按日期绘制的单项基准测试分数。
模型结果
| 组织 | 模型 | 报告时间 | 最高分数 | 信息 | 自行报告 | 来源 |
|---|---|---|---|---|---|---|
| Claude Mythos Preview | 2026年4月07日 | 92.10% | Terminal-Bench 2.1 updates; 4h timeout | 是 | 来源 | |
| GPT 5.5 | 2026年4月23日 | 82.70% | - | 是 | 来源 | |
| GPT 5.3 Codex | 2026年2月05日 | 77.30% | xhigh reasoning | 是 | 来源 | |
| GPT 5 Pro | 2025年8月07日 | 75.10% | inferred family alias from gpt-5.4 (score=0.4083; benches=19) | 是 | 来源 | |
| GPT 5 Search API | 2025年10月14日 | 75.10% | inferred family alias from gpt-5.4 (score=0.3050; benches=19) | 是 | 来源 | |
| GPT 5.4 | 2026年3月05日 | 75.10% | - | 是 | 来源 | |
| Qwen 3.7 Max | 2026年5月21日 | 69.70% | Harbor/Terminus-2 harness; avg of 5 runs | 是 | 来源 | |
| Claude Opus 4.7 | 2026年4月16日 | 69.40% | - | 是 | 来源 | |
| GLM 5.1 | 2026年4月07日 | 69% | Best self-reported (Claude Code) | 是 | 来源 | |
| Gemini 3.1 Pro Preview | 2026年2月19日 | 68.50% | Terminus-2 Harness | 是 | - | |
| DeepSeek V4 Pro | 2026年4月24日 | 67.90% | Acc; DeepSeek-V4-Pro Max | 是 | 来源 | |
| MiMo V2.5 | 2026年4月23日 | 65.80% | Hugging Face evaluation result | 是 | 来源 | |
| Claude Opus 4.6 | 2026年2月05日 | 65.40% | - | 是 | 来源 | |
| GPT 5.2 Codex | 2025年12月18日 | 64% | - | 是 | 来源 | |
| Qwen 3.6 Plus | 2026年4月01日 | 61.60% | - | 是 | 来源 | |
| GPT 5.4 Mini | 2026年3月17日 | 60% | - | 是 | 来源 | |
| Claude Opus 4.5 | 2025年11月24日 | 59.30% | Avg@5, 128k Thinking | 是 | 来源 | |
| Claude Sonnet 4.6 | 2026年2月17日 | 59.10% | Default thinking (no thinking budget) | 是 | 来源 | |
| Muse Spark | 2026年4月08日 | 59% | - | 是 | 来源 | |
| GPT 5.3 Codex Spark | 2026年2月12日 | 58.40% | - | 是 | 来源 | |
| MiMo V2 Pro | 2026年3月18日 | 57.10% | - | 是 | 来源 | |
| MiMo V2 TTS (Free) | 2026年3月18日 | 57.10% | inferred modality/version alias from mimo-v2-pro | 是 | 来源 | |
| MiniMax M2.7 | 2026年3月18日 | 57% | - | 是 | 来源 | |
| DeepSeek V4 Flash | 2026年4月24日 | 56.90% | Acc; DeepSeek-V4-Flash Max | 是 | 来源 | |
| GLM 5 | 2026年2月11日 | 56.20% | - | 是 | 来源 |
