Terminal-Bench 4 · システム参考

Name: Terminal-Bench 4 · システム参考
Creator: Harbor / Terminal-Bench

Harbor / Terminal-Bench / コーディング · モデルを異なる Agent と組み合わせたターミナルタスクの元の成績を残し、クロスチェックに使います。

Karu News での扱い参考のみ

証拠の予算点数に使いません

元データの時刻10/7（水） 08:02

直近の同期10/7（水） 08:05

何を、どう測るか

Terminal-Bench 4.0 を固定し、モデル、Agent のバージョン、推論段階、実行回数を別々に残します。異なるツールのシステムを、統一したモデル条件として解釈しません。

元の成績の参考：公式の提出一覧とデータバージョンを固定してから自動収集し、異なるシステム構成を 1 件ずつ残します。モデルの代表スコアは選びません。クロスチェック専用で、総合とコーディングのランキングには入れません。

以下は、モデルにさまざまなエージェントを組み合わせたシステムの成績です。実行条件が異なるため、参考としてご覧ください。1 項目につき最大 30 件の構成を表示し、匿名のテスト用モデルは表示しません。

元の順位	元の型番	元の成績	実行の設定
1	claude-opus-5-5Anthropic	64.8%	Claude Code 2.1.284 · max 推論
2	claude-sonnet-5-5anthropic	61.8%	Claude Code 2.1.284 · max 推論
3	gpt-6.1-solopenai	58.2%	Codex 0.159.0 · max 推論
4	claude-fable-5-1Anthropic	57.9%	Claude Code 2.1.257 · max 推論
5	claude-opus-5Anthropic	51.8%	Claude Code 2.1.231 · max 推論
6	gpt-6-solOpenAI	49.4%	Codex 0.159.0 · max 推論
7	claude-fable-5Anthropic	44.5%	Claude Code 2.1.231 · max 推論
8	glm-5.3Z.ai	41.8%	Claude Code 2.1.207 · max 推論
9	gpt-5.6-solOpenAI	37.3%	Codex 0.149.1 · max 推論
10	glm-5.3-flashZ.ai	35.8%	Claude Code 2.1.285 · 出典は推論レベルを報告していません
11	claude-opus-4-8Anthropic	23.6%	Claude Code 2.1.231 · max 推論
12	gpt-5.6-terraOpenAI	21.5%	Codex 0.149.1 · max 推論
13	grok-4.6xAI	20.3%	Grok Build 1.0.5 · 出典は推論レベルを報告していません
14	gemini-3.8-flashGoogle	19.1%	mini-SWE-agent 2.4.6 · high 推論
15	gpt-5.6-lunaOpenAI	17.3%	Codex 0.149.1 · max 推論
16	gpt-6-lunaOpenAI	16.4%	Codex 0.159.0 · max 推論
17	claude-sonnet-5Anthropic	12.4%	Claude Code 2.1.231 · max 推論
17	grok-4.5xAI	12.4%	Grok Build 1.0.5 · 出典は推論レベルを報告していません
19	gemini-3.7-flashGoogle	11.2%	mini-SWE-agent 2.4.6 · high 推論

評価の限界と、データの帰属

モデルによって Claude Code、Codex、GrokBuild、mini-SWE などツールが異なります。AA v4.3 にはすでに Terminal-Bench v4 が含まれているので、総合の票の重みに再び加えてはいけません。

データのライセンス：Apache 2.0 · 公式 harbor-framework/terminal-bench リポジトリ内の成績の提出です。クレジット表記、プロトコル、変更の説明を残します。

成績は Harbor / Terminal-Bench が公表したものです。元のスコアと Karu News の総合スコアは尺度が異なるため、足し合わせられません。