#Terminal-Bench

共 35 条 · 7 天 4 条 · 30 天 21 条

智能体 15 编程助手 7 SWE-bench 5 Anthropic 4 Claude Code 4 Claude 3 Claude Opus 5.5 3 DeepSeek V4 Flash 3

信息流里打上「Terminal-Bench」标签的资讯、产品与论文，按刊登时间排，新的在上。

10月9日

行业 Agent 与开发者02:14

Artificial Analysis 智能指数 v5 将于 10 月下旬发布

Artificial Analysis 的模型榜单要更新了，v5 加入 Terminal-Bench Science 和私有数据集的编程测试，看榜单选模型的朋友可以蹲一下。

#Artificial Analysis #Terminal-Bench #基准测试 #编程助手

官方账号Artificial Analysis@ArtificialAnlys原文

10月6日

论文 Agent 与开发者10:36

研究提出 selective long-horizon refinement，提升终端智能体训练效率与可靠性

训练终端智能体的朋友看这篇：监督窗口选 12K 反而比 16K 好，还能省 30% 训练时间，作者给的选择性精调方法直接可用。

#Terminal-Bench #terminal agent #智能体 #模型训练

arXiv cs.AI@Cuong Dang 等 3 人原文

论文 Agent 与开发者多源确认精选00:02

SelfSearch：智能体自改 harness，$4.03 达到 Codex 水平

DeepSeek V4 Flash 加自改 harness，花 4 美元搜索就在 Terminal-Bench 上追平 Codex，SWE-bench 还省了近四成开销，做智能体的都该看看。

#SelfSearch #DeepSeek V4 Flash #Terminal-Bench #SWE-bench

elvis@omarsar03 个信源在谈原文

10月5日

论文 Agent 与开发者精选23:38

Microsoft 发布 ActiveSaddler：按未修复失败模式自动优化 agent harness

微软这篇论文讲怎么优化 agent 的 harness，核心是把预算花在还没修好的失败上。GAIA2 提了 4.4 个点，成本还降到四分之一，做 agent 自动调优的可以看看。

#Microsoft #ActiveSaddler #GAIA2 #Terminal-Bench

rohanpaul_ai@rohanpaul_ai原文

10月2日

技巧 Agent 与开发者10:43

模型与工具适配性研究

研究分析了66种模型与工具组合，发现高成本不一定带来高分，不同模型在不同工具中表现差异显著。

#模型适配 #工具适配器 #Terminal-Bench #Kimi

arXiv: DeepSeek@Yixuan Li 等 9 人原文

10月1日

论文 Agent 与开发者精选09:54

SelfSearch：无奖励搜索提升智能体自我改进

SelfSearch让智能体用历史经验自我改进，省钱又高效，Terminal-Bench上提升11.2%，SWE-bench降成本38.5%。

#SelfSearch #智能体 #Terminal-Bench #SWE-bench

arXiv: DeepSeek@Jungwoo Yang 等 3 人2 个信源在谈原文

9月30日

论文 Agent 与开发者精选10:46

SelfSearch：无奖励搜索提升智能体自我改进

SelfSearch让智能体通过自我修改记录提升能力，无需下游奖励信号，成本更低效果更好。

#SelfSearch #智能体 #Terminal-Bench #DeepSeek V4 Flash

arXiv: DeepSeek@Jungwoo Yang 等 3 人2 个信源在谈原文

模型 Agent 与开发者多源确认精选73°08:55

Anthropic发布Claude Sonnet 5.5模型

Anthropic的Sonnet 5.5速度快成本低，编码能力大幅提升，是日常任务和编程的好选择。

#Claude #Sonnet 5.5 #Anthropic #Terminal-Bench

SuperTechFans11 个信源在谈原文

9月29日

模型 Agent 与开发者多源确认83°21:11

Claude Sonnet 5.5 发布，Terminal-Bench 4.0 得分提升至 70.6%

Anthropic 推出 Sonnet 5.5，价格不变但性能大增，成本降三成，速度提三成，特别适合编程和文档工作。

#Claude #Sonnet #Anthropic #Terminal-Bench

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

9月28日

论文 Agent 与开发者多源确认精选73°06:39

SkillGym：用 2,756 个技能环境微调后，Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 提升 19.10 分

把技能文档变成 2756 个训练环境直接练进模型权重，微调后的 Qwen3.5-35B-A3B 在终端基准上超过了 Claude Sonnet 4.6，思路很新颖。

#SkillGym #Qwen3.5 #Terminal-Bench #智能体

DAIR.AI@dair_ai3 个信源在谈原文

模型 Agent 与开发者多源确认精选72°00:51

Synthetic Sciences 开源 OpenScience 智能体，科学基准超 Codex 和 Claude Code

一个开源科研智能体把 Codex 和 Claude Code 都比下去了，Apache 2.0 免费随便用，还能接自家模型。

#OpenScience #Terminal-Bench #Codex #Claude Code

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

9月27日

模型中美对照23:57

一张图对比 Opus 5.5 与 GPT 6 的 Benchmark 成绩

有人把 Opus 5.5 和 GPT 6 的跑分放在一张图里了，重点看 Terminal-Bench 4.0，GPT 在跨应用自动化那项表现很猛。

#Opus 5.5 #GPT 6 #Terminal-Bench #推理模型

向阳乔木@vista8原文

9月26日

技巧 Agent 与开发者多源确认精选73°11:36

Claude Code 团队成员详解 effort 档位怎么选

Claude Code 团队成员自己写的 effort 档位指南，有实测数据：同一道题 low 档只过 1 次、xhigh 全过，还教了一套 low 起手、high 收尾的开发流程。

#Claude Code #Opus 5.5 #Fable 5.1 #Terminal-Bench

宝玉@dotey11 个信源在谈原文

技巧 Agent 与开发者精选10:34

Claude Code 的 Effort 参数使用指南：何时调高、何时调低

Claude Code 开发者用 Terminal-Bench 3.0 数据讲清了 effort 档位怎么选，还附了低档写代码、高档跑验证的工作流，写代码的人直接能用。

#Claude Code #Terminal-Bench #提示词工程 #编程助手

shao__meng@shao__meng原文

产品 Agent 与开发者00:03

Zed 的 Delta 在 Terminal-Bench 上对标 Codex 与 Claude Code

Zed 家的 Delta 跑分追平甚至超过了 Codex 和 Claude Code，成本差不多，写代码的可以关注下这个新选择。

#Zed #Delta #Terminal-Bench #Codex

Zed@zeddotdev原文

9月25日

模型 Agent 与开发者多源确认73°07:38

Artificial Analysis 推出 Terminal-Bench-Science 0.1 智能体科研基准榜单

Stanford 联合 Terminal-Bench 团队搞了个科研智能体榜单，70 个真实科研任务里 GPT-6 Astra 拿 63% 排第一，开源模型才 10%，差距很直观。

#Terminal-Bench #GPT-6 Astra #Claude Opus 5.5 #GLM-5.3

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

9月24日

论文 Agent 与开发者精选23:14

Salesforce 提出 RIVER：为终端智能体 RL 环境做质检筛选

Salesforce 这篇论文发现公开 RL 环境大多有奖励错误，还给出 RIVER 筛选方法，8B 模型跑分反超随机采样，做 RL 训练的都该看看。

#Salesforce #RIVER #Terminal-Bench #RL环境

DAIR.AI@dair_ai原文

9月23日

论文 Agent 与开发者09:23

FIRE 运行时策略让 Agent 重复成功率最高提升 9.2 个百分点

一篇很实用的论文：不改模型、不改提示词，只在运行时注入失败 informed 的策略指令，GPT-5.6 跑 Terminal-Bench 的重复成功率就能涨近 10 个点，做 Agent 的可以看看。

#GPT-5.6 #Terminal-Bench #FIRE #智能体

arXiv cs.AI@Nikita Agarwal, Nivedit Jain原文

模型中美对照多源确认83°01:51

Anthropic 发布 Claude Opus 5.5：成本降四成，追平 Fable 5.1

Opus 5.5 价格砍了四成，缓存读取降得最狠，写代码跑智能体的人账单能省不少，还送一次额度重置卡。

#Claude Opus 5.5 #Anthropic #GPT-6 Astra #Terminal-Bench

宝玉@dotey11 个信源在谈原文

模型中美对照多源确认83°01:10

Anthropic 发布 Claude Opus 5.5：追平 Fable 5.1，运行成本降 40%

Anthropic 新模型追平自家顶级模型，价格还砍了四成，缓存读取降到 0.2 美元，跑 Agent 的开发者直接受益，比 GPT-6 Astra 便宜一半以上。

#Claude Opus 5.5 #Anthropic #GPT-6 Astra #Terminal-Bench

宝玉@dotey11 个信源在谈原文

9月22日

模型中美对照86°09:43

Grok 4.7 模型卡公布：多项基准较 4.6 明显提升，价格不变

xAI 放出 Grok 4.7 模型卡，终端和编程类基准分数接近翻倍，价格还跟 4.6 一样。

#Grok #xAI #Terminal-Bench #基准测试

eric zakariasson@ericzakariasson原文

9月5日

模型 Agent 与开发者01:01

GitHub发布HydraFusion模型提升任务质量

GitHub新出的HydraFusion模型在编程任务质量上超越Claude Opus 5，成本还降低67%，选模型就能自动编排工作流。

#HydraFusion #Claude Opus 5 #GitHub #编程助手

GitHub@github原文

9月4日

模型精选73°11:25

Terminal-Universe：将代理轨迹转化为可扩展终端环境

Terminal-Universe能把代码执行轨迹变成可复用环境，让Qwen3.5-27B在终端任务上提升近12分。

#Terminal-Universe #Qwen3.5-27B #Terminal-Bench #代码代理

arXiv cs.AI@Jie Wu 等 14 人原文

9月2日

模型中美对照多源确认06:48

Claude模型在多项基准测试中创纪录

Claude在两项重要基准测试中大幅领先Fable 5，科学任务得分翻倍，综合能力提升13.8%。

#Claude #Fable 5 #Terminal-Bench-Science #Terminal-Bench

Claude@claudeai7 个信源在谈原文

模型 Agent 与开发者05:33

openJiuwen开源代理框架发布

openJiuwen框架让代理能力在运行时动态调整，性能超越现有方案，开发者可自由组装代理组件。

#openJiuwen #代理框架 #SWE-bench #Terminal-Bench

elvis@omarsar0原文

8月18日

论文精选10:23

StateM 运行时实现 Terminal-Bench 2.1 95.3% 原始准确率

StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。

#StateM #GPT-5.6 #DeepSeek-V4 #智能体

arXiv: DeepSeek@Ziheng Qin 等 4 人原文

8月13日

模型中美对照17:57

DeepSeek-V4-Pro-0813 静默发布，87.9 分紧咬 Claude，价格低 57 倍

DeepSeek 新模型跑分只比 Claude Fable 5 低 0.1，价格却便宜 57 倍，Cline 用户现在就能用，高性价比首选。

#DeepSeek-V4-Pro-0813 #Claude Fable 5 #Terminal-Bench #Cline

shao__meng@shao__meng2 个信源在谈原文

8月7日

CalibForge：对抗性求解器校准用于生成可学习终端任务

想给智能体造训练任务？CalibForge 让多个求解器互相挑毛病来调任务难度，比人工标靠谱，Terminal-Bench 上能涨二十多个点。

#CalibForge #Terminal-Bench #SWE-bench #Doc2Repo

arXiv cs.LG@Fanzhe Meng 等 9 人原文

7月30日

模型中美对照多源确认精选12:15

Kimi K3 递归式自我改进实验：17 小时 Terminal-Bench 提升 11.3 个百分点

Cline 让 Kimi K3 自己优化自己，17 小时让基准从 77.5% 涨到 88.8%，成本还降了 37%，这波自举操作有点意思。

#Kimi K3 #Cline #Terminal-Bench #递归式自我改进

shao__meng@shao__meng11 个信源在谈原文

7月22日

模型 Agent 与开发者多源确认17:06

Poolside发布Laguna S 2.1编码模型，性能超越大参数模型

Poolside 又出了个厉害编码模型，Laguna S 2.1 在本地就能跑，多项基准比大它几十倍的模型还强。

#Laguna #Poolside #Terminal-Bench #DeepSWE

Thomas Wolf@Thom_Wolf9 个信源在谈原文

7月10日

Proactive Memory Agent：长时任务的行为状态衰减干预方法

长时任务里AI老忘事？这篇提出主动记忆智能体，随跑随记关键信息，在Terminal-Bench上提升8.3pp，比被动记忆好用多了。

#Proactive Memory Agent #Terminal-Bench #τ²-Bench #Qwen3.5-27B

arXiv cs.AI@Yifan Wu 等 8 人原文

7月2日

Cost per task 将成为未来12个月的重要度量

别只看 token 单价了，朋友。同样跑15个任务，Haiku 比 Opus 贵10倍。这提醒我们，算成本要看任务总花费。

#Haiku #Opus #成本衡量 #Terminal-Bench

Suhail@Suhail原文

6月25日

模型 Agent 与开发者23:37

Ornith-1.0 开源 Agentic Coding 模型家族发布

Ornith-1.0 用 RL 教模型搭执行框架，在 SWE-Bench 上表现顶尖，本地党还有 GGUF 版本可玩。

#Ornith-1.0 #Terminal-Bench #SWE-Bench #Ollama

berryxia@berryxia原文

5月21日

产品多源确认精选08:00

Terminal-Bench 扩展至科学领域：T-Bench Science 开放任务贡献

做科研的 AI 用户终于有了专门评估 AI 辅助科研能力的基准——T-Bench Science 直接面向真实工作流，科学家可以贡献自己的流程来推动模型进步，值得关注和参与。

#基准测试 #AI for Science #Terminal-Bench #科研工作流

Thomas Wolf@Thom_Wolf11 个信源在谈原文

5月15日

产品 Agent 与开发者多源确认精选73°01:10

Cline SDK 发布，CLI 在 Terminal-Bench 多项第一

Cline SDK 和 CLI 的发布让 Agentic Coding 工具链更开放灵活，做 AI 编程工具或 Agent 开发的团队可以直接用 Plugin 层和 Provider 扩展，值得关注其 Terminal-Bench 成绩和 Harness 实践。

#Agentic Coding #Cline #CLI #SDK

shao__meng@shao__meng4 个信源在谈原文