跳过主要内容
评测来源/Terminal-Bench Hard
观察中编程

Terminal-Bench Hard

Artificial Analysis · Terminal-Bench Hard 的公开模型评测结果。

官方评测
来源说明

该来源测量模型在「编程」领域的具体交付表现，原始成绩会和统一能力读数分开展示。

限制: 不同版本、推理设置和测试集可能导致分数变化，请结合数据时间阅读。

使用方式

参与排名的来源会影响能力分；参考、交叉参考和观察来源仅用于对比与核验。

本来源的模型成绩

Step 3.7 Flash35.635.62026-06-15
Step 3.5 Flash 260332.632.62026-06-02
Step 3.5 Flash27.327.32026-06-02
Gemini 2.5 Pro26.526.52026-06-02
GLM-4.62525.02026-05-22
GLM-4.52222.02026-03-11
GLM-4.5-Air20.520.52026-05-30
Qwen3 Max20.520.52026-05-30
Mistral Small 417.417.42026-06-01
Mistral Large 315.915.92026-06-04
Qwen3-Coder 30B-A3B Instruct15.215.22026-06-02
Gemini 2.5 Flash13.613.62026-06-02
DeepSeek-R16.16.12026-03-11
GLM-4.5V5.35.32026-04-29
Gemini 2.5 Flash-Lite4.54.52026-03-11
Llama-3.3-70B-Instruct33.02026-03-11

常见问题