header-langage
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
扫码下载APP
Partnered With:

Terminal-Bench 3.0换王:Opus 5以43.5%压过GPT-5.6 Sol

据动察 Beating 监测,Terminal-Bench 3.0 最新榜单换王。这个评测让 AI Agent 在真实终端环境里完成任务,最后直接检查结果是否正确。

当前前三名分别是:

1. Claude Opus 5 Max + mini-SWE-agent:43.5%
2. GPT-5.6 Sol Max + Codex:34.6%
3. Claude Fable 5 + Claude Code:34.1%

Terminal-Bench 3.0 在 7 月 23 日上线,目的就是把题重新做难。旧版前沿模型的成绩已经挤在一起,新版本希望重新拉开差距。首版有 74 道任务,覆盖 7 个领域,还加入 GPU、多容器网络等更复杂环境。任务也不只是写代码,还可能要求提交模型权重、形式化证明、电子表格和 CAD 文件。

不过,这不能直接理解成 Opus 5 本身比 Sol 强近 9 个百分点。Terminal-Bench 允许模型搭配不同 Agent 运行,前三名分别用了 mini-SWE-agent、Codex 和 Claude Code。Agent 会决定模型怎么调用工具、执行命令和处理上下文,因此榜单更准确测的是「模型 + Agent」整套系统的能力。

全球市场热点不用到处刷,消息送到你眼前

加入律动飞书频道
相关推荐
V4-Pro-Max(最高推理力度模式)自称当前最强开源模型,编码基准达到顶级,推理和 agent 任务与闭源前沿差距显著缩小
AI安全时代,能力会自己扩散,责任不会。
财报里最亏钱的就是xAI,新模型成本比Opus 4.8便宜25%。
强化自检与多Agent编排,让模型更可信
纠错/举报
提交
新增文库
仅自己可见
公开
保存
选择文库
新增文库
取消
完成