Terminal-Bench 是一个评估语言模型在终端环境中执行复杂任务能力的基准。该基准专注于代理式编程，要求模型不仅能生成代码，还能在命令行中执行命令、处理文件、使用工具等。近期，Terminal-Bench 从编程领域扩展至科学领域，发布了 T-Bench Science，鼓励社区贡献跨学科任务，并支持多种模型在科学场景下的评估。
在模型进展方面，Cohere 发布了首个开源编程模型 North Mini Code，专为代理编程设计，意在降低闭源模型的垄断；Google DeepMind 推出 Gemini 3.5 Flash，在多项自动化测试中表现优于前代 3.1 Pro，且成本仅为顶级模型的一小部分，成为性价比之选。Meta 的论文指出，通过复用尝试摘要能显著提升编码智能体性能，这为模型在 Terminal-Bench 上的表现优化提供了新思路。此外，ZenMux 免费体验了 Claude Opus 4.8，该版本在编码和代理任务上可靠性提升。
当前焦点在于，尽管闭源模型在 Terminal-Bench 上表现强势，但开源模型如 North Mini Code 和 Qwen3.7-Max（未开源但具性价比）正在缩小差距。未来观察点包括：Mux 等模型选择器 Factory Router 能否通过智能路由节省成本，以及 T-Bench Science 是否吸引更多跨学科任务贡献，推动基准的多元化发展。