מבחן הערכה
Terminal-Bench 3.0
מדידה עצמאית · מתעדכן
מה הוא מודד
עבודה בשורת פקודה: עבודה בשורת פקודה מקצה לקצה · ביצוע משימות מרובות שלבים: ביצוע משימה רב שלבית מקצה לקצה · כתיבת קוד עצמאית: כתיבת קוד בתוך תהליך רב שלבי עם כלים
מה הוא לא מודד
- אין לגזור ממנו יכולת בתחומים שלא נכללו במשימות שלו.
הערות על המבחן
הגרסה הנוכחית של Terminal-Bench, עם לוח תוצאות חי.
תוצאות שנמדדו
| מערכת | ציון | פרוטוקול | מקור |
|---|---|---|---|
| Claude Opus 5 | 42.7 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| GPT-5.6 Sol | 34.6 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| Claude Fable 5 | 34.0 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| DeepSeek V4.1 Flash 1017 | 30.0 | Terminal-Bench 3.0 · דיווח של הספק | קישור |
| GLM-5.3 | 28.3 | Terminal-Bench 3.0 · דיווח של הספק | קישור |
| Grok 4.6 | 26.5 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| Claude Opus 4.8 | 21.1 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| GPT-5.6 Terra | 20.8 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| Grok 4.5 | 15.7 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| Gemini 3.7 Flash | 14.9 | Terminal-Bench 3.0, לוח תוצאות רשמי · דיווח של הספק | קישור |
| Claude Sonnet 5 | 14.6 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| GPT-5.6 Luna | 14.3 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |
| GLM-5.2 | 4.6 | Terminal-Bench 3.0, לוח תוצאות רשמי · מדידה בלוח עצמאי | קישור |