Terminal-Bench 4.0 统一 8 小时超时，整治刷分乱象

围绕 Terminal-Bench 评测口径不一的讨论引发关注。Vals 团队透露，大量「为什么你们的 tbench 分数和实验室官方对不上」的疑问中，九成答案是评测方用标准超时限制，而实验室官方此前放宽了超时上限，从而获得更高分数。为此 Terminal-Bench 4.0 宣布所有任务统一为 8 小时 agent 超时上限，发布者称前沿模型现在几乎不会触及超时，以此回各家评测口径不一的问题。

2026-09-17 ~ 2026-09-17 · 2 条相关