Terminal-Bench 4.0 榜单:Claude Sonnet 5.5 以 70.6% 居首
NielsRogge · x · 2026-11-18
Terminal-Bench 4.0 发布并更新排行榜:该版本对任务时长、CPU 与内存资源做了校准,修复 19 个任务、移除 8 个饱和或问题任务,共含 66 个任务,agent 超时上限 8 小时。
榜单前几名(Coding Agents 准确率):
- Claude Sonnet 5.5 — 70.6%
- Claude Mythos 5.2 (max effort) — 70.5%
- Claude Opus 5.5 — 66.36%
- Kimi K3.1 Pro (max) — 65.7%
- Gemini 4 Carbon — 65.2%
- Claude Mythos 5.1 (max) — 60.9%
- GPT-6 Astra — 57.9%
其余入榜包括 Gemini 4 Argon、GPT-6.1 Terra、Qwen4-Max、DeepSeek-V4.1-Flash、Mistral Large 4 等。
「模型」频道最新
- rasbt 梳理预训练新趋势:放弃 LR decay,改用恒定学习率+检查点平均 — rasbt · 2026-11-18
- Mistral 新模型命名 Le Chonk 获赞,欧洲免费额度受好评 — TheTuringPost · 2026-11-17
- 开发者晒用尽128个 Claude 账号:额度限制逼疯重度用户 — thomasahle · 2026-11-17
- Humans& 发布 744B 参数协作模型 Ampersand,登 Vercel AI Gateway — ericzelikman · 2026-11-17
- 独立评估:Claude Opus 5.5 在 32 次测试中 22 次将伊朗学校标记为军事目标 — Polymarket · 2026-11-17
- 模拟测试中 AI 模型频将平民救护车识别为合法军事目标,Anthropic 最差 — djcows · 2026-11-17