TB-fn 新基准重测终端模型，揭露刷榜嫌疑

Fidian 基于 Terminal-Bench 2.1 构建了变体基准 TB-fn，对原榜单前约 20 名模型进行重测。结果模型间差距显著拉大，评分差距从 TB-2.1 的约 15 分进一步扩大，只有 OpenAI 和 Anthropic 的模型保持前沿梯队，多家原高分模型被指存在刷榜嫌疑。

已确认

• TB-fn 由 Fidian 基于 Terminal-Bench 构建，对 Terminal-Bench 2.1 排行榜头部约前 20 名模型重测。
• TB-fn 对原基准的 89 个任务重新设计：增加任务步骤、收紧要求或需要更复杂算法，并移除捷径解，同时确保验证器仅检查预期标准。
• 在原 TB-2.1 上得分相近的模型在 TB-fn 下分化明显，平均任务难度提升。
• 据评测转述，GPT-5.6 Sol 和 Opus 5 保持领先，只有 OpenAI 与 Anthropic 的模型保持在前沿梯队；Grok 4.5、Kimi K3、GLM-5.2 等模型分数下滑 6-11 分。

为什么重要

• TB-fn 直接针对排行榜上捷径解与解法记忆问题，为判断终端/智能体模型真实能力提供了更可信的测量手段。
• 部分厂商模型在新旧基准间的巨大落差，凸显业界对刷榜行为的担忧，可能影响后续榜单公信力与模型选型判断。

注意：本簇多为转发帖，具体原始数据与完整排名以 Terminal-Bench 团队一手发布为准。

2026-08-26 ~ 2026-08-28 · 6 条相关

• Terminal 评测新基准 TB-fn：揭穿模型刷榜假象 — abeirami · 2026-08-26
• 新基准 TB-fn 揭秘：部分终端模型排名大幅下滑 — abeirami · 2026-08-27
• TerminalBench 深度评测：GPT-5.6 领跑，多模型降级 — abeirami · 2026-08-27
• 终端评测 TB-fn 揭露：多模型高分系刷榜 — burny_tech · 2026-08-28
• 【源头】终端评测 TB-fn：OpenAI 与 Anthropic 遥遥领先 — abeirami · 2026-08-28

另有 1 条近重复转述:abeirami