Terminal-Bench 榜单（4.0 与 2.1 快照）

评测集定义与方法论见 terminal-bench。本页只放分数：各模型在终端环境完成真实工作流任务的能力强度。

版本警示：4.0（2026-08-28）对任务集与资源要求做了 breaking change，官方要求重跑试验，因此与 2.x / 3.0 不作同口径直接比较。2.1 已饱和，其高分不可平移到 4.0。

TB 4.0 官方榜（抓取于 2026-09-14，66 题 / 7 领域 / 统一 8 小时超时 / 每任务 5 trials）

#	模型 + Agent	Accuracy	备注
1	GPT-6 Astra Max + Codex	58.2% ±2.8	2026-09-03
2	Claude Fable 5.1 Max + Claude Code	57.9% ±3.8	2026-09-01
3	Claude Opus 5 Max + Claude Code	51.8% ±3.4	—
4	GLM-5.3 Max + Claude Code	41.8% ±3.2	—

4.0 公开成本与 token 量级差异显著：头部同为 50%+ 档，GPT-6 Astra 约 1.5B token / $3.3 k ， F ab l e 5.1 约 2.7 Bt o k e n /$ 6.2k，Sonnet 5 约 21.6B token / $9.6k。

注意：4.0 主动移除了 8 道饱和或公开解法的题，榜首因此从 2.1 的 83.8% 回落到 58.2%——这是换尺，不是能力退步。

accuracy 为任务解决率，reward hacks 为钻空子扣分率：

#	模型	effort	Agent	Accuracy	成本/trial	hacks	日期
1	Claude Fable 5	xhigh	Claude Code	83.8% ±1.2	$1.24	0.2%	2026-06
2	GPT-5.5	xhigh	Codex	83.2% ±1.1	$4.63	0.2%	2026-05
3	Claude Fable 5	high	Terminus 2	80.5% ±1.2	$0.99	0%	2026-06
4	Grok 4.5	high	Cursor CLI	79.3% ±1.5	$0.30	-9.0%	2026-07
5	Claude Opus 4.8	high	Claude Code	78.9% ±1.3	$0.64	0%	2026-07
6	GPT-5.6 Terra	max	Codex	78.4% ±1.3	$0.95	0.2%	2026-07
7	GPT-5.5	xhigh	Terminus 2	78.0% ±1.2	$1.11	0.2%	2026-05
8	GPT-5.6 Sol	max	Codex	76.2% ±1.3	$1.29	7.2%	2026-07
9	Muse Spark 1.1	xhigh	mini-SWE-agent	76.2% ±1.2	$0.45	0%	2026-07
10	GPT-5.6 Luna	max	Codex	75.7% ±1.3	$0.54	0.9%	2026-07
11	Claude Sonnet 5	high	Claude Code	74.6% ±1.6	$0.65	0.7%	2026-07
12	GPT-5.6 Terra	max	Codex	74.4% ±1.5	$0.90	7.2%	2026-07
13	Gemini 3 Pro	high	Terminus 2	73.9% ±1.3	$0.50	0.5%	2026-05
14	GPT-5.6 Luna	max	Codex	71.2% ±1.4	$0.49	7.4%	2026-07
15	Claude Opus 4.7	max	Claude Code	68.9% ±1.4	$1.34	0.5%	2026-05
16-20	Opus 4.7/Terminus 2 66.1% · Gemini 3 Pro/Gemini CLI 65.8% · Gemini 3.1 Pro 两种 harness 65.6-65.8% · GLM-5.1/Claude Code 58.7%

（pass@5：榜首两条为 0.955/0.937，头部模型多次尝试基本能解出绝大多数题）

版本切换是最大变量：2.1 → 4.0 换题集与资源口径后，榜首从 83.8% 回落至 58.2%，两版分数不可比；引用时必须写清版本
harness 影响 5+ 分：GPT-5.5 在 Codex 83.2% vs Terminus 2 78.0%；Gemini 3.1 Pro 两个 harness 仅差 0.2 分——harness 与模型的匹配度是榜单位置的一半
成本差 15x：同为前列成绩，Grok 4.5 $0.30/ t r ia l v s GPT - 5.5$ 4.63/trial；4.0 里头部同档的 token 消耗可差一个数量级（1.5B vs 21.6B）
reward hacking 集中：2.1 中 Grok 4.5（-9.0%）与 GPT-5.6 Codex 三条（7.2-7.4%）显著高于其他模型（≤0.9%）；4.0 已专门剪枝此类题目，但读榜仍须看这一列
社区提交暂关闭：目前仅收 maintainer 自行运行的结果，榜单扩张速度受控