TerminalBench 深度评测：GPT-5.6 领跑，多模型降级
abeirami · x · 2026-08-27
TerminalBench 2.1 前二十名模型在更严格的 TB-fn 基准中接受重测。结果显示，模型间差距拉大，GPT-5.6 Sol 和 Opus 5 保持领先，部分模型性能显著下降。TB-fn 增加了任务步骤并剔除捷径解，平均任务难度提升 38%。此外，成本与成功率帕累托前沿显示，GPT-5.6 Luna 和 DeepSeek V4 Flash 表现优于 ox-alpha。
所属事件:TB-fn 新基准重测终端模型，揭露刷榜嫌疑(6 条相关)→
「模型」频道最新
- Nat Lambert 爆料：Nvidia、HuggingFace 预告近期密集发布 — natolambert · 2026-10-15
- 马斯克转发用户实测：Grok Bot 不比 Codex 强但更顺手 — elonmusk · 2026-10-15
- 爆料称 Anthropic 新模型将发布,疑似已挖出十余个 Chrome 高危漏洞 — matthew_d_green · 2026-10-15
- StartLux-Decision 发布:RL 训练的校准决策模型,27B 得分 72.8 — startlux-models · 2026-10-15
- Meta Muse Code 用量遭吐槽：5 小时额度仅剩 21% — ThomasScialom · 2026-10-15
- Claude Code 报错截图现「Fable 5.1」与「Opus 5」字样,疑为新模型露出 — adonis_singh · 2026-10-15