評価のソース公式の評価
Terminal-Bench Science
Harbor / 専門業務 · ターミナルで研究タスクをこなす
Karu News での扱い観察中
証拠の予算点数に使いません
元データの時刻不明
直近の同期まだ集めていません
何を、どう測るか
Claude Code、Codex、mini-SWE などのシステムを区別します。異なるシステムの成績を、モデルの能力としてそのまま扱えません。
この証拠の使い方
観察中：12 の型番で実行システムが混在しており、新しい最先端の型番はまだそろっていません。
評価の限界と、データの帰属
観察中：12 の型番で実行システムが混在しており、新しい最先端の型番はまだそろっていません。
データのライセンス：ランキングデータの利用範囲を確認中です。
成績は Harbor 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。