Terminal Bench 2.1

Name: Terminal Bench 2.1
Keywords: Terminal Bench 2.1, AI 基准测试, 模型评估, AI 基准测试排行榜, AI 模型表现

AI 基准测试结果和模型表现

类型: percentageCode

查看基准测试来源

已记录的结果

平均分数

75.10%

分数范围

24.58% - 90.60%

领先模型

90.60% - DeepSeek V4.1 Flash

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
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	是	来源
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.	是	来源
Anthropic	Claude Fable 5	2026年6月09日	88%	Starred row in Anthropic's launch table	是	来源
Anthropic	Claude Mythos 5	2026年6月09日	88%	Starred row in Anthropic's launch table	是	来源
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	是	来源
Sakana AI	Fugu Ultra	2026年6月22日	82.10%	Sakana Fugu product page benchmark table.	是	来源
Anthropic	Claude Sonnet 5	2026年6月30日	80.40%	mini-SWE-agent harness; xhigh effort; mean reward across 445 trials	是	来源
Sakana AI	Fugu	2026年6月22日	80.20%	Sakana Fugu product page benchmark table.	是	来源
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.	是	来源
Meta	Muse Spark 1.1	2026年7月09日	80%	Agentic terminal coding	是	来源
Google	Gemini 3.5 Flash	2026年5月19日	76.20%	-	是	来源
Anthropic	Claude Opus 4.8	2026年5月28日	74.60%	Terminus-2 public harness; max effort	是	来源
Qwen	Qwen 3.8 27B	2026年8月14日	73%	Terminus harness	是	来源
Poolside	Laguna S 2.1	2026年7月21日	70.20%	mean pass@1 with thinking enabled	是	来源
MiniMax	MiniMax M3	2026年6月01日	66%	-	是	来源
Meta	Muse Glimmer 30B	2026年8月10日	51.70%	With terminus2; high reasoning	是	来源
Nvidia	Nemotron 3.5 Lightning 30B A3B	2026年8月11日	24.58%	NVIDIA release evaluation suite	是	来源

帮助保持公开数据准确

帮助保持公开数据准确

Terminal Bench 2.1

已记录的结果

平均分数

分数范围

领先模型

模型结果