Warum dieser Benchmark nützlich ist
Redaktionelle Einordnung ausstehendWir veröffentlichen zuerst Methodik und Ledger. Die benchmark-spezifische Analyse folgt nach der Desk-Prüfung.
Benchmarks / Agentisch
Terminal-Bench
Terminal-Bench 2.1
Ob ein Agent realistische, containerisierte Terminal-Aufgaben (Terminal-Bench 2.1) erledigen kann: Code debuggen, Dateien bearbeiten, Befehle ausführen und das Artefakt liefern, das der versteckte Checker erwartet. 16 % Gewicht im AA Intelligence Index v4.1.
AgentischSolidAktivNiedriges KontaminationsrisikoSeit 2025
Was dieser Benchmark nicht misst
- Nicht nur das Modell — Harness, Tools, Retries, Zeitlimits und Container-Setup können Werte stark verschieben.
- Code-Wartbarkeit — eine bestandene Aufgabe kann trotzdem spröde Skripte oder kaum reviewbare Patches erzeugen.
- Nicht jeden Entwickler-Workflow — Terminal-Aufgaben liegen näher an agentischem Operieren als an Produktdesign, Frontend-Polish oder langfristiger Repo-Pflege.
Abdeckung
- Aufgabenfamilie
- Agentisch
- Format
- Containerisierte Aufgaben mit Terminal-Umgebung; Agenten arbeiten über Befehle und werden durch aufgabenspezifische Checks bewertet.
- Bewertung
- Lösungs-/Passrate über auditierte Aufgaben. Agent-Harness und Modell-Paarung immer mitlesen.
- Verantwortliche Stelle
- Laude Institute / Terminal-Bench
So liest du die Scores
Die Lesehilfe steht noch aus. Nutze bis zur Desk-Einordnung Aufgabenformat, Bewertungsmethode und Quelldaten im Ledger.
Was er nicht abdeckt
- Nicht nur das Modell — Harness, Tools, Retries, Zeitlimits und Container-Setup können Werte stark verschieben.
- Code-Wartbarkeit — eine bestandene Aufgabe kann trotzdem spröde Skripte oder kaum reviewbare Patches erzeugen.
- Nicht jeden Entwickler-Workflow — Terminal-Aufgaben liegen näher an agentischem Operieren als an Produktdesign, Frontend-Polish oder langfristiger Repo-Pflege.
Scores
69 ZeilenEvidenz-Ledger
6969 Zeilen
88.01%bester Score
68quellgeprüft
3Quellen
2026-07-21bis 2026-05-20
Wo die Zeilen liegen
0255075100
Auf die Skala dieses Benchmarks normalisiert (0–100). Die Tabelle zeigt die Rohwerte.
Neueste Belege
- GPT-5.6 Sol88.01% ·
- GPT-5.6 Terra88.01% ·
- Kimi K385.02% ·
- Claude Fable 584.64% ·
- Grok 4.581.65% ·
Scores nutzen die eigene Einheit und Skala dieses Benchmarks, keinen universellen Qualitätswert.
| # | Modell | Veröffentlichung | Score | Herkunft | Beleglage |
|---|---|---|---|---|---|
| 1 | GPT-5.6 SolOpenAI | 2026-07-09 | 88.01% | 2026-07-21 | Quelle geprüft |
| 2 | GPT-5.6 TerraOpenAI | 2026-07-09 | 88.01% | 2026-07-21 | Quelle geprüft |
| 3 | Kimi K3Moonshot | 2026-07-16 | 85.02% | 2026-07-21 | Quelle geprüft |
| 4 | Claude Fable 5Anthropic | 2026-06-09 | 84.64% | 2026-07-21 | Quelle geprüft |
| 1 | Claude Mythos PreviewAnthropic | 2026-06-01 | 84.1% | Terminal-Bench 2.0 leaderboard2026-06-02 | Quelle geprüft |
| 2 | GPT 5.5 (Codex CLI)OpenAI | 2026-04-23 | 82% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 3 | GPT 5.4 (ForgeCode)OpenAI | 2026-03-05 | 81.8% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 8 | Grok 4.5xAI | 2026-07-08 | 81.65% | 2026-07-21 | Quelle geprüft |
| 9 | GPT-5.6 LunaOpenAI | 2026-07-09 | 80.9% | 2026-07-21 | Quelle geprüft |
| 10 | Claude Sonnet 5Anthropic | 2026-06-30 | 80.52% | 2026-07-21 | Quelle geprüft |
| 11 | GPT-5.5 (medium)OpenAI | 2026-04-23 | 80.52% | 2026-07-21 | Quelle geprüft |
| 4 | Claude Opus 4.6 (ForgeCode)Anthropic | 2026-02-01 | 79.8% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 13 | GPT-5.5 (high)OpenAI | 2026-04-23 | 79.4% | 2026-07-21 | Quelle geprüft |
| 14 | GLM-5.2Zhipu | 2026-06-13 | 77.9% | 2026-07-21 | Quelle geprüft |
| 15 | Muse Spark 1.1Meta | 2026-07-09 | 77.9% | 2026-07-21 | Quelle geprüft |
| 4 | Gemini 3.5 FlashGoogle | 2026-05-19 | 76.2% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 5 | Claude Opus 4.8Anthropic | 2026-05-28 | 74.6% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 18 | Qwen3.7 MaxAlibaba | 2026-05-19 | 74.53% | 2026-07-21 | Quelle geprüft |
| 19 | Gemini 3.1 Pro PreviewGoogle | 2026-02-19 | 73.78% | 2026-07-21 | Quelle geprüft |
| 20 | Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)Anthropic | 2026-02-17 | 71.16% | 2026-07-21 | Quelle geprüft |
| 21 | LongCat-2.0MeituanVendor-gemeldeter LongCat-2.0-Wert; getrennt von auditierten Terminal-Bench-Leaderboard-Zeilen halten, bis ein unabhängiger Lauf vorliegt. | 2026-06-29 | 70.8% | Meituan LongCat-2.0 release materials2026-06-29 | Prüfung nötig |
| 6 | Qwen 3.7 MaxAlibaba | 2026-05-20 | 69.7% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 7 | Claude Opus 4.7 (Adaptive)Anthropic | 2026-04-16 | 69.4% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 24 | Claude Sonnet 4.6Anthropic | 2026-02-17 | 68.4% | Terminal-Bench 2.0 leaderboard2026-06-09 | Quelle geprüft |
| 8 | DeepSeek V4 Pro MaxDeepSeek | 2026-04-24 | 67.9% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 26 | Kimi K2.7 CodeMoonshot | 2026-06-12 | 67.42% | 2026-07-21 | Quelle geprüft |
| 9 | Kimi K2.6Moonshot | 2026-04-20 | 66.7% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 10 | MiniMax M3MiniMax | 2026-05-31 | 66% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 29 | GPT-5.5 (low)OpenAI | 2026-04-23 | 65.54% | 2026-07-21 | Quelle geprüft |
| 11 | Gemini 3.1 ProGoogle | 2026-02-19 | 65.4% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 31 | MiMo-V2.5-ProXiaomi | 2026-04-22 | 65.17% | 2026-07-21 | Quelle geprüft |
| 32 | DeepSeek V4 Pro (Reasoning, Max Effort)DeepSeek | 2026-04-24 | 64.04% | 2026-07-21 | Quelle geprüft |
| 33 | Grok 4.3xAI | 2026-04-30 | 63.8% | Terminal-Bench 2.0 leaderboard2026-06-09 | Quelle geprüft |
| 34 | Muse SparkOther | 2026-01-01 | 62.17% | 2026-07-21 | Quelle geprüft |
| 35 | GLM-5.1Zhipu | 2026-04-07 | 61.8% | 2026-07-21 | Quelle geprüft |
| 36 | Claude Haiku 4.5Anthropic | 2025-10-01 | 61.4% | Terminal-Bench 2.0 leaderboard2026-06-09 | Quelle geprüft |
| 37 | Qwen 3.7 PlusAlibaba | 2026-06-02 | 61.05% | 2026-07-21 | Quelle geprüft |
| 38 | GPT-5.4 NanoOpenAI | 2026-03-17 | 60.67% | 2026-07-21 | Quelle geprüft |
| 39 | GPT-5.4 MiniOpenAI | 2026-03-17 | 59.18% | 2026-07-21 | Quelle geprüft |
| 40 | Llama 4 ScoutMeta | 2026-04-05 | 58.6% | Terminal-Bench 2.0 leaderboard2026-06-09 | Quelle geprüft |
| 41 | MiniMax M2.7MiniMax | 2026-04-15 | 55.43% | 2026-07-21 | Quelle geprüft |
| 42 | Claude Opus 4.7 (Non-reasoning, High Effort)Anthropic | 2026-04-16 | 54.55% | 2026-07-21 | Quelle geprüft |
| 43 | Nemotron 3 Ultra 550B A55B (Reasoning)NVIDIA | 2026-06-04 | 53.93% | 2026-07-21 | Quelle geprüft |
| 44 | GPT-5.3 Codex (xhigh)OpenAI | 2026-02-05 | 53.03% | 2026-07-21 | Quelle geprüft |
| 45 | GPT-5.1OpenAI | 2025-11-13 | 52.43% | 2026-07-21 | Quelle geprüft |
| 46 | GPT-5.2OpenAI | 2025-12-11 | 46.97% | 2026-07-21 | Quelle geprüft |
| 47 | Claude Opus 4.6 (Adaptive Reasoning, Max Effort)Anthropic | 2026-02-05 | 46.21% | 2026-07-21 | Quelle geprüft |
| 48 | Kimi K2.5Moonshot | 2026-01-27 | 45.69% | 2026-07-21 | Quelle geprüft |
| 49 | Gemma 4 31B ITGoogle | 2026-03-01 | 43.45% | 2026-07-21 | Quelle geprüft |
| 50 | Gemini 3 ProGoogle | 2025-11-18 | 41.67% | 2026-07-21 | Quelle geprüft |
| 51 | Claude Opus 4.5Anthropic | 2025-11-24 | 40.91% | 2026-07-21 | Quelle geprüft |
| 52 | Gemini 3.5 Flash (medium)Google | 2026-05-19 | 39.39% | 2026-07-21 | Quelle geprüft |
| 53 | Step 3.7 FlashStepFun | 2026-06-01 | 39.33% | 2026-07-21 | Quelle geprüft |
| 54 | Grok 4.20 ReasoningxAI | 2026-03-05 | 37.88% | 2026-07-21 | Quelle geprüft |
| 55 | OpenAI o3OpenAI | 2025-04-16 | 37.12% | 2026-07-21 | Quelle geprüft |
| 56 | North Mini CodeCohere | 2026-06-09 | 35.58% | 2026-07-21 | Quelle geprüft |
| 57 | MiniMax M2.5MiniMax | 2026-04-01 | 34.85% | 2026-07-21 | Quelle geprüft |
| 58 | Gemini 3 Flash PreviewGoogle | 2025-12-17 | 31.82% | 2026-07-21 | Quelle geprüft |
| 59 | Gemini 3.1 Flash LiteGoogle | 2026-05-07 | 31.09% | 2026-07-21 | Quelle geprüft |
| 60 | HyperNova 60B 2605Multiverse | 2026-05-06 | 18.35% | 2026-07-21 | Quelle geprüft |
| 61 | Gemma 4 12B (Reasoning)Google | 2026-06-07 | 18.18% | 2026-07-21 | Quelle geprüft |
| 62 | DeepSeek R1DeepSeek | 2025-01-20 | 15.91% | 2026-07-21 | Quelle geprüft |
| 63 | OpenAI o1OpenAI | 2024-09-12 | 12.88% | 2026-07-21 | Quelle geprüft |
| 64 | Mistral Large 3Mistral | 2025-12-02 | 11.99% | 2026-07-21 | Quelle geprüft |
| 65 | Gemma 4 12B (Non-reasoning)Google | 2026-06-10 | 11.36% | 2026-07-21 | Quelle geprüft |
| 66 | Llama 4 MaverickMeta | 2026-04-05 | 7.87% | 2026-07-21 | Quelle geprüft |
| 67 | LFM2.5-8B-A1BLiquid | 2026-06-08 | 4.55% | 2026-07-21 | Quelle geprüft |
| 68 | Command ACohere | 2026-03-15 | 0.76% | 2026-07-21 | Quelle geprüft |
| 69 | MiniCPM5-1B (Reasoning)OpenBMB | 2026-06-04 | 0% | 2026-07-21 | Quelle geprüft |
Was er abdeckt
Die Notiz zur Datenqualität steht aus. Jede Ledger-Zeile trägt weiterhin Quellen-URL, Quelldatum und Zeitpunkt des Einlesens.
Wo er an Grenzen stößt
Noch ist keine Obergrenze erfasst. Wenn sich Scores oben bündeln, kann der Benchmark Frontier-Modelle möglicherweise nicht mehr trennen.
Belege
Quellen und weiterführende Lektüre
- Offizielles Terminal-Bench-Leaderboard· geprüft 2026-06-03
- Terminal-Bench-2-Repository· geprüft 2026-06-03
- Auch auf Vals AI (eigener Lauf)· geprüft 2026-06-09
- Leaderboard
The Pack · Redaktionsnewsletter
Neue Karten in dein Postfach. Kostenlos.
Eine kurze E-Mail, wenn eine Karte erscheint oder den Status wechselt. Kein Tracking, keine Drittanbieter-Analytics. Abmeldung mit einem Klick.