Terminal-Bench 2.1

何を測定しますか?
ターミナル(コマンド画面)の中で、AIエージェントが人の手助けなしに仕事を終えられるかを見ます。ソフトウェア開発・セキュリティ・科学計算・データ処理・デバッグなど16分野の89課題です。Artificial Analysis が旧 TerminalBench Hard をレガシーにした後に使う現行の評価です。
誰がどのように評価しますか?
スタンフォード大と Laude Institute の Terminal-Bench 2.1 です。課題ごとに隔離されたコンテナでAIがシェルコマンドだけで作業し、終了後に別コンテナの隠しテストが採点します。テストをすべて通過して成功です。壊れていると分かった課題は管理者が継続的に修正します。この表の値は Artificial Analysis が自ら実行した結果です。
スコアの読み方
0〜100%。上位モデルは90%前後まで達しており、最上位同士の差は小さくなっています。モデルと組み合わせる作業ツール(ハーネス)によって点数が変わるため、他所の Terminal-Bench スコアとは実行条件が同じか確認が必要です。

順位

最高スコア91.4%
測定したモデル81件
測定基準高いほど良い
最終更新2026.11.21
モデルのリリース時期

コンピューターを自分で操作して、開発の仕事をひとりで終えられる?

Terminal-Bench 2.1

  1. 🥇AnthropicClaude Fable 5.191.4%
  2. 🥈OpenAIGPT-6 Astra89.9%
  3. 🥉OpenAIGPT-5.6 Sol89.5%
  4. #4AnthropicClaude Opus 589.1%
  5. #5SpaceXSIGrok 4.688.4%
  6. #6OpenAIGPT-5.6 Terra88.0%
  7. #7GoogleGemini 3.8 Flash87.6%
  8. #8AlibabaQwen3.8 Flash86.1%
  9. #9GoogleGemini 3.7 Flash85.8%
  10. #10MetaMuse Spark 1.385.4%
  11. #11Moonshot AIKimi K385.0%
  12. #12AnthropicClaude Fable 584.6%
  13. #12AnthropicClaude Opus 4.884.6%
  14. #14Z.aiGLM 5.3 Flash84.3%
  15. #14OpenAIGPT-5.584.3%
  16. #16Z.aiGLM 5.383.9%
  17. #17AnthropicClaude Opus 4.783.1%
  18. #18Sakana AIFugu Ultra82.1%
  19. #19SpaceXSIGrok 4.581.6%
  20. #20OpenAIGPT-5.6 Luna80.9%
  21. #21AnthropicClaude Sonnet 580.5%
  22. #22MetaMuse Spark 1.280.1%
  23. #23DeepSeekDeepSeek V4 Flash78.7%
  24. #23DeepSeekDeepSeek V4 Pro78.7%
  25. #23GoogleGemini 3.5 Flash78.7%
  26. #26OpenAIGPT-5.478.3%
  27. #27Z.aiGLM 5.277.9%
  28. #27MetaMuse Spark 1.177.9%
  29. #29GoogleGemini 3.6 Flash77.5%
  30. #30Motif TechnologiesMotif 374.9%
  31. #31AlibabaQwen3.7 Max74.5%
  32. #32GoogleGemini 3.1 Pro73.8%
  33. #33AnthropicClaude Sonnet 4.671.2%
  34. #34Moonshot AIKimi K2.7 Code67.4%
  35. #35Moonshot AIKimi K2.665.9%
  36. #36XiaomiMiMo V2.5 Pro65.2%
  37. #36MiniMaxMiniMax M365.2%
  38. #38TencentHy364.4%
  39. #39XiaomiMiMo V2.563.7%
  40. #40MetaMuse Spark62.2%
  41. #41Z.aiGLM-5.161.8%
  42. #42AlibabaQwen3.6 Plus61.4%
  43. #43AlibabaQwen3.7 Plus61.0%
  44. #44OpenAIGPT-5.4 Nano60.7%
  45. #45OpenAIGPT-5.4 Mini59.2%
  46. #46UpstageSolar Pro 457.3%
  47. #47AnthropicClaude Sonnet 4.555.8%
  48. #48MiniMaxMiniMax M2.755.4%
  49. #49NVIDIANemotron 3 Ultra53.9%
  50. #50GoogleGemini 3.5 Flash-Lite53.6%
  51. #51AlibabaQwen3.5 397B A17B51.3%
  52. #52Mistral AIMistral Medium 3.550.6%
  53. #53MeituanLongCat 2.050.2%
  54. #54DeepSeekDeepSeek V3.246.8%
  55. #55Moonshot AIKimi K2.545.7%
  56. #56AlibabaQwen3.6 35B A3B44.9%
  57. #57AnthropicClaude Haiku 4.544.2%
  58. #58GoogleGemma 4 31B43.4%
  59. #59InclusionAIRing-2.6-1T43.1%
  60. #60LG AI ResearchK-EXAONE 2.040.4%
  61. #61SpaceXSIGrok 4.339.7%
  62. #62StepfunStep 3.7 Flash39.3%
  63. #63SK TelecomA.X K239.0%
  64. #64NVIDIANemotron 3 Super38.6%
  65. #65AnthropicClaude Sonnet 436.3%
  66. #66CohereNorth Mini Code35.6%
  67. #67OpenAIGPT-535.2%
  68. #68GoogleGemini 3.1 Flash Lite31.1%
  69. #69LG AI ResearchK-EXAONE30.3%
  70. #70GoogleGemini 2.5 Pro28.5%
  71. #71OpenAIGPT OSS 120B26.2%
  72. #72Mistral AIMistral Small 421.0%
  73. #73Arcee AITrinity Large Thinking20.6%
  74. #74AmazonNova 2 Lite16.1%
  75. #75UpstageSolar Pro 312.0%
  76. #76MetaLlama 4 Maverick7.9%
  77. #77NVIDIANemotron 3 Nano 30B A3B6.7%
  78. #77NVIDIANemotron 3 Nano Omni6.7%
  79. #79OpenAIGPT-5 Mini3.7%
  80. #79MetaLlama 4 Scout3.7%
  81. #81IBMGranite 4.1 8B3.4%
モデルの半数が61.8%以下

直近60日にリリースされたAI 59個のうち59個はまだこの試験のスコアがありません · Gemini 4 Neon, GPT-6.2 Astra, Microsoft-Decision-1.1 ほか56個

あらかじめ決められた方法で一括測定したスコアなので、自分の質問での結果とは異なる場合があります。

「開発元発表」と表示されたスコアは、AI開発元が自ら発表した数値で、第三者の測定ではありません。

関連ニュース