Terminal-Bench 4.0
终端 agent 任务 · 收录 17 个模型 · 来源 Stanford / Laude Institute · 更新 2026-10
这个基准在测什么
在真实容器里完成软件工程任务：装环境、跑测试、读报错、改代码。所有模型跑同一个 mini-SWE-agent 脚手架，排除脚手架差异。
为什么单列出来
这是当前最能预测'能不能放心把仓库交给它'的指标。榜单分化极大：头部 67%，中段 20-40%，轻量开源模型只有 1-2%。
完整排名
| # | 模型 | 得分 | 相对最佳 | 输入 $ | 输出 $ | 类型 |
|---|---|---|---|---|---|---|
| 1 | Kimi K3.1 Pro 开源Moonshot AI | 67.2 | 全场最佳 | $2.00 | $10.00 | 开源 |
| 2 | Gemini 4 CarbonGoogle | 65.2 | 97% | $4.00 | $20.00 | |
| 3 | Claude Sonnet 5.5Anthropic | 63.6 | 95% | $2.00 | $10.00 | |
| 4 | Claude Opus 5.5Anthropic | 59.6 | 89% | $4.00 | $20.00 | |
| 5 | GPT-6 AstraOpenAI | 59.1 | 88% | $10.00 | $50.00 | |
| 6 | Gemini 4 ArgonGoogle | 57.1 | 85% | $2.00 | $10.00 | |
| 7 | GPT-6.1 SolOpenAI | 56.1 | 83% | $2.00 | $10.00 | |
| 8 | GPT-6.1 TerraOpenAI | 55.6 | 83% | $1.00 | $5.00 | |
| 9 | Claude Fable 5.1Anthropic | 52.0 | 77% | $10.00 | $50.00 | |
| 10 | GLM-5.3 开源Z.ai | 41.9 | 62% | $1.40 | $4.40 | 开源 |
| 11 | Qwen3.8 MaxAlibaba Qwen | 38.9 | 58% | $2.00 | $6.00 | |
| 12 | MiMo-V2.6 Pro 开源Xiaomi | 31.3 | 47% | $0.35 | $1.40 | 开源 |
| 13 | Grok 4.7xAI | 25.8 | 38% | $2.00 | $6.00 | |
| 14 | DeepSeek V4.1 Flash 开源DeepSeek | 19.7 | 29% | $0.30 | $1.20 | 开源 |
| 15 | Kimi K3 开源Moonshot AI | 17.2 | 26% | $3.00 | $15.00 | 开源 |
| 16 | DeepSeek V4 Pro 开源DeepSeek | 14.1 | 21% | $1.32 | $3.96 | 开源 |
| 17 | MiniMax M3 开源MiniMax | 1.0 | 1% | $0.30 | $1.20 | 开源 |