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 4.0:GLM-5.3冲到第三,超过GPT-5.6 Sol

动察 Beating AI 快讯,Terminal-Bench 发布 4.0,重新校准 Agent 执行任务时的时间、CPU 和内存,并修复 19 个任务、移除 8 个存在饱和、拒答、公开解法或质量问题的任务。所有任务的最长执行时间统一到 8 小时,主要是减少超时和环境问题对成绩的干扰。


最新榜单里,Opus 5 + Claude Code 以 51.8% 排第一,Fable 5 以 44.5% 第二。GLM-5.3 + Claude Code 拿到 41.8%,冲到第三,超过 GPT-5.6 Sol + Codex 的 37.3%。前三名里,GLM-5.3 是唯一不是 Anthropic 的模型。


在 Terminal-Bench 3.0 中,GLM-5.3 还是 32.4% 排第四,落后 GPT-5.6 Sol 的 34.6%;到了 4.0,GLM-5.3 升到第三,反过来领先 Sol 4.5 个百分点。

AI 解读
Terminal-Bench 4.0 的规则调整是更值得关注的信号。统一 8 小时执行上限、移除饱和任务,本质是评测从「区分模型能力上限」转向「模拟真实工程约束」——时间、CPU、内存这些资源维度被正式纳入 Agent 排名。当模型差距缩小到个位数百分点,评测的区分度就转移到工程化执行效率上。

榜单本身最反常的是 GLM-5.3。它是前三名里唯一非 Anthropic 模型,且与 Claude Code 组合而非自家 Agent 框架——这暴露了当前 Agent 竞争的实质:模型能力与工具链解耦,Claude Code 成为事实上的通用 harness 层。智谱没有选择绑定自家 Agent,反而在第三方工具上实现了跨厂商的最优组合。对比 3.0 到 4.0,GLM-5.3 从落后 Sol 2.2 个百分点到反超 4.5 个百分点,一个评测周期的逆转让 OpenAI 在 Agent 赛道的领先叙事进一步松动。
展开
举报 纠错/举报

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
SOL或将在2030年达到每枚3211美元
以 SOL 目前的市值和流通,恐怕很难让这些机构赚钱。
SOL 落后 ETH 的真因:财库策略、ETF 与叙事差距
18家公司通过建立Solana财库、质押SOL代币、推出基于SOL的财务战略等方式参与Solana生态系统,部分公司通过这些战略实现了股价的显著上涨。
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