Terminal-Bench 4.1 重评榜单：约 1% 奖励翻转，GLM-5.3 排名稳固
zainhas · x · 2026-11-10
Terminal-Bench 发布 4.1 版本，为所有任务更新了验证器，重点改进三项：抵抗 reward hacking、降低假阴性、提升可复现性。
用 4.1 验证器重评 4.0 榜单后，约 1% 的奖励判定翻转，各模型分数仍落在此前报告的置信区间内。配图的重评榜单显示（max effort）：
- Claude Opus 5.5（claude code）居首约 63%，+0.9%；Sonnet 5.5 +2.1%
- GPT-6.1 Sol（codex）+2.7%，GPT-6 Astra +2.1%
- Fable 5.1 -0.6%、GLM-5.3 -0.6%，GPT-5.6 Sol +1.2%
zainhas 评论称 GLM-5.3 经受住了重评检验，是「经得起时间考验」的模型。
「编程与Agent」频道最新
- NVIDIA 发布 AgentBaton:任务内大小模型协作省算力 — _akhaliq · 2026-11-10
- OpenClaw 发布 v2026.11.2 补丁：113 个 PR 修复更新失败与提醒丢失 — dean_rie · 2026-11-10
- 用 Muse + Tailscale + MCP 让云端 Agent 直连家庭网络，遥控 SDR 黑掉 RC 车 — Dave_Maynor · 2026-11-10
- Claude Duet 可连 Mac 上的 Claude Code：手机远程写码剪视频 — dean_rie · 2026-11-10
- OpenRouter MCP 大升级：不写代码即可在 Agent 中试用全部模型 — dean_rie · 2026-11-10
- Patch 发布:游戏开发工具打包成 CLI 和 MCP,接入你的编码 Agent — noahsolomon · 2026-11-10