TerminalBench 2.0是一個人工策劃的、用於評估AI編碼模型性能的基準測試工具。它被列為多個廣泛使用的編程智慧型體基準之一。該基準包含了各種難度的終端任務，範圍從簡單的檔案操作到複雜的系統管理挑戰。
在相關評估中，不同模型在此基準上的表現被用於衡量其編碼能力。例如，有模型在TerminalBench 2.0上的成績達到76%，而另一模型則取得了41%的成績。經過特定訓練後，Qwen3-8B模型在該基準上的成功率從1.1%提升到了6.7%。
基本介紹
- 外文名：TerminalBench 2.0
- 產品類型：基準測試工具
核心技術,重要事件,
核心技術
TerminalBench 2.0是一個人工策劃的基準測試。該基準由史丹福大學與Laude Institute聯合打造，用於評估AI智慧型體在真實命令行環境下的端到端執行能力。測試在隔離的Docker容器中進行，包含多個橫跨軟體工程與科學計算的任務，採用嚴格的驗證標準。2.0版本進一步提高了測試難度。該基準包含了各種難度的終端任務，從簡單的檔案操作到複雜的系統管理挑戰。模型在這些從未見過的任務上表現出了實質性的提升。
重要事件
2026年1月27日，史丹福大學與微軟研究院聯合發布研究，展示了經過“Endless Terminals”訓練的模型在TerminalBench 2.0上的性能提升，其中Qwen3-8B模型的表現從1.1%提升至6.7%。研究同時指出，同期先進的Claude Sonnet 4.5模型在該基準上取得了42.8%的成功率。
2026年2月6日，OpenAI發布的GPT-5.3-Codex模型在TerminalBench 2.0基準測試中取得了76%的成功率。
2026年2月11日，中國AI初創團隊Feeling AI的自研框架CodeBrain-1在TerminalBench 2.0基準測試中取得72.9%的成功率，位列全球第二。
