Warum dieser Benchmark nützlich ist
Wenn du realistische containerisierte Terminal-Arbeit brauchst — Debug, Dateien, Befehle, Artefakte — als agentisches Ops-Signal mit Gewicht im AA Index v4.1.
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.
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
Lösungs-/Passrate auf auditierten Terminal-Bench-2.1-Aufgaben. Modell immer mit Harness, Tools, Retries und Zeitlimits lesen — Scaffolding verschiebt Werte so stark wie das Modell. Die offizielle Seite hat am 28. Aug. 2026 4.0 ausgeliefert; AA und Vals publizieren weiter 2.1, also bleibt diese Seite auf 2.1, bis diese Boards wechseln.
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
184 ZeilenEvidenz-Ledger
184184 Zeilen
89.14%bester Score
183quellgeprüft
3Quellen
2026-09-01bis 2026-05-20
Wo die Zeilen liegen
0255075100
Auf die Skala dieses Benchmarks normalisiert (0–100). Die Tabelle zeigt die Rohwerte.
Neueste Belege
- Claude Opus 5 (Adaptive Reasoning, Max Effort)89.14% ·
- Grok 4.688.39% ·
- Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)88.01% ·
- GPT-5.6 Sol88.01% ·
- GPT-5.6 Terra88.01% ·
Scores nutzen die eigene Einheit und Skala dieses Benchmarks, keinen universellen Qualitätswert.
| # | Modell | Veröffentlichung | Score | Herkunft | Beleglage |
|---|---|---|---|---|---|
| 1 | Claude Opus 5 (Adaptive Reasoning, Max Effort)Anthropic | 2026-07-24 | 89.14% | 2026-09-01 | Quelle geprüft |
| 2 | Grok 4.6xAI | 2026-08-12 | 88.39% | 2026-09-01 | Quelle geprüft |
| 3 | Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)Anthropic | 2026-07-24 | 88.01% | 2026-09-01 | Quelle geprüft |
| 4 | GPT-5.6 SolOpenAI | 2026-07-09 | 88.01% | 2026-09-01 | Quelle geprüft |
| 5 | GPT-5.6 TerraOpenAI | 2026-07-09 | 88.01% | 2026-09-01 | Quelle geprüft |
| 6 | Claude Opus 5 (Adaptive Reasoning, High Effort)Anthropic | 2026-07-24 | 87.64% | 2026-09-01 | Quelle geprüft |
| 7 | Claude Opus 5 (Adaptive Reasoning, Medium Effort)Anthropic | 2026-07-24 | 86.14% | 2026-09-01 | Quelle geprüft |
| 8 | Qwen3.8-Flash-NextAlibaba | 2026-08-26 | 86.14% | 2026-09-01 | Quelle geprüft |
| 9 | Gemini 3.7 FlashGoogle | 2026-08-13 | 85.77% | 2026-09-01 | Quelle geprüft |
| 10 | Kimi K3Moonshot | 2026-07-16 | 85.02% | 2026-09-01 | Quelle geprüft |
| 11 | Claude Fable 5Anthropic | 2026-06-09 | 84.64% | 2026-09-01 | Quelle geprüft |
| 12 | GLM-5.3-FlashZhipu | 2026-08-26 | 84.27% | 2026-09-01 | Quelle geprüft |
| 1 | Claude Mythos PreviewAnthropic | 2026-06-01 | 84.1% | Terminal-Bench 2.0 leaderboard2026-06-02 | Quelle geprüft |
| 14 | GLM-5.3Zhipu | 2026-08-14 | 83.9% | 2026-09-01 | Quelle geprüft |
| 15 | Kimi K3 (low)Moonshot | 2026-07-16 | 82.4% | 2026-09-01 | Quelle geprüft |
| 16 | Qwen3.8 2.4T A95BAlibaba | 2026-08-12 | 82.02% | 2026-09-01 | 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 |
| 19 | Grok 4.5xAI | 2026-07-08 | 81.65% | 2026-09-01 | Quelle geprüft |
| 20 | Qwen3.8 MaxAlibaba | 2026-08-03 | 81.27% | 2026-09-01 | Quelle geprüft |
| 21 | GPT-5.6 LunaOpenAI | 2026-07-09 | 80.9% | 2026-09-01 | Quelle geprüft |
| 22 | Claude Sonnet 5Anthropic | 2026-06-30 | 80.52% | 2026-09-01 | Quelle geprüft |
| 23 | GPT-5.5 (medium)OpenAI | 2026-04-23 | 80.52% | 2026-09-01 | Quelle geprüft |
| 24 | Muse Spark 1.2Meta | 2026-08-05 | 80.15% | 2026-09-01 | Quelle geprüft |
| 4 | Claude Opus 4.6 (ForgeCode)Anthropic | 2026-02-01 | 79.8% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 26 | Qwen3.8 27BAlibaba | 2026-08-14 | 79.78% | 2026-09-01 | Quelle geprüft |
| 27 | GPT-5.5 (high)OpenAI | 2026-04-23 | 79.4% | 2026-09-01 | Quelle geprüft |
| 28 | DeepSeek V4 Flash 0731 (Reasoning, Max Effort)DeepSeek | 2026-07-31 | 78.65% | 2026-09-01 | Quelle geprüft |
| 29 | DeepSeek V4 Pro 0813 (Reasoning, Max Effort)DeepSeek | 2026-08-13 | 78.65% | 2026-09-01 | Quelle geprüft |
| 30 | GLM-5.2Zhipu | 2026-06-13 | 77.9% | 2026-09-01 | Quelle geprüft |
| 31 | Muse Spark 1.1Meta | 2026-07-09 | 77.9% | 2026-09-01 | Quelle geprüft |
| 32 | Gemini 3.6 Flash (high)Google | 2026-07-21 | 77.53% | 2026-09-01 | Quelle geprüft |
| 33 | Claude Opus 5 (Adaptive Reasoning, Low Effort)Anthropic | 2026-07-24 | 76.4% | 2026-09-01 | Quelle geprüft |
| 4 | Gemini 3.5 FlashGoogle | 2026-05-19 | 76.2% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 35 | Motif 3Other | 2026-08-12 | 74.91% | 2026-09-01 | Quelle geprüft |
| 5 | Claude Opus 4.8Anthropic | 2026-05-28 | 74.6% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 37 | Qwen3.7 MaxAlibaba | 2026-05-19 | 74.53% | 2026-09-01 | Quelle geprüft |
| 38 | DeepSeek V4 Flash Vision (Reasoning, Max Effort)DeepSeek | 2026-08-21 | 74.16% | 2026-09-01 | Quelle geprüft |
| 39 | Gemini 3.1 Pro PreviewGoogle | 2026-02-19 | 73.78% | 2026-09-01 | Quelle geprüft |
| 40 | Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)Anthropic | 2026-02-17 | 71.16% | 2026-09-01 | Quelle geprüft |
| 41 | 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 |
| 42 | Motif 3 (Beta)Other | 2026-07-21 | 70.79% | 2026-09-01 | Quelle geprüft |
| 43 | KAT Coder Pro V2Other | 2026-03-27 | 70.04% | 2026-09-01 | Quelle geprüft |
| 6 | Qwen 3.7 MaxAlibaba | 2026-05-20 | 69.7% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 45 | Agnes 2.5 Pro BetaOther | 2026-08-26 | 69.66% | 2026-09-01 | Quelle geprüft |
| 46 | Apodex 1.1Other | 2026-08-30 | 69.66% | 2026-09-01 | Quelle geprüft |
| 7 | Claude Opus 4.7 (Adaptive)Anthropic | 2026-04-16 | 69.4% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 48 | 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 |
| 50 | Nex-N2-ProOther | 2026-06-02 | 67.79% | 2026-09-01 | Quelle geprüft |
| 51 | Kimi K2.7 CodeMoonshot | 2026-06-12 | 67.42% | 2026-09-01 | Quelle geprüft |
| 52 | Agnes 2.5 Pro AlphaOther | 2026-07-24 | 67.04% | 2026-09-01 | 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 |
| 55 | GPT-5.5 (low)OpenAI | 2026-04-23 | 65.54% | 2026-09-01 | Quelle geprüft |
| 11 | Gemini 3.1 ProGoogle | 2026-02-19 | 65.4% | Terminal-Bench 2.0 leaderboard2026-05-20 | Quelle geprüft |
| 57 | MiMo-V2.5-ProXiaomi | 2026-04-22 | 65.17% | 2026-09-01 | Quelle geprüft |
| 58 | DeepSeek V4 Pro (Reasoning, High Effort)DeepSeek | 2026-04-24 | 64.79% | 2026-09-01 | Quelle geprüft |
| 59 | Hy3Other | 2026-07-06 | 64.42% | 2026-09-01 | Quelle geprüft |
| 60 | Grok 4.3xAI | 2026-04-30 | 63.8% | Terminal-Bench 2.0 leaderboard2026-06-09 | Quelle geprüft |
| 61 | MiMo-V2.5Xiaomi | 2026-04-22 | 63.67% | 2026-09-01 | Quelle geprüft |
| 62 | Muse SparkOther | 2026-01-01 | 62.17% | 2026-09-01 | Quelle geprüft |
| 63 | GLM-5.1Zhipu | 2026-04-07 | 61.8% | 2026-09-01 | Quelle geprüft |
| 64 | Qwen3.6 PlusAlibaba | 2026-04-02 | 61.42% | 2026-09-01 | Quelle geprüft |
| 65 | Claude Haiku 4.5Anthropic | 2025-10-01 | 61.4% | Terminal-Bench 2.0 leaderboard2026-06-09 | Quelle geprüft |
| 66 | GPT-5.5 (Non-reasoning)OpenAI | 2026-04-23 | 61.05% | 2026-09-01 | Quelle geprüft |
| 67 | Qwen 3.7 PlusAlibaba | 2026-06-02 | 61.05% | 2026-09-01 | Quelle geprüft |
| 68 | GPT-5.4 NanoOpenAI | 2026-03-17 | 60.67% | 2026-09-01 | Quelle geprüft |
| 69 | Qwen3.6 27B (Reasoning)Alibaba | 2026-04-22 | 60.67% | 2026-09-01 | Quelle geprüft |
| 70 | JT-4.1 Flash 236B A21BOther | 2026-07-09 | 59.55% | 2026-09-01 | Quelle geprüft |
| 71 | GPT-5.4 MiniOpenAI | 2026-03-17 | 59.18% | 2026-09-01 | Quelle geprüft |
| 72 | Llama 4 ScoutMeta | 2026-04-05 | 58.6% | Terminal-Bench 2.0 leaderboard2026-06-09 | Quelle geprüft |
| 73 | Solar Pro 4Other | 2026-08-06 | 57.3% | 2026-09-01 | Quelle geprüft |
| 74 | DeepSeek V4 Flash (Reasoning, High Effort)DeepSeek | 2026-04-24 | 56.93% | 2026-09-01 | Quelle geprüft |
| 75 | Claude 4.5 Sonnet (Reasoning)Anthropic | 2025-09-29 | 55.81% | 2026-09-01 | Quelle geprüft |
| 76 | Ling 3.0 FlashOther | 2026-08-04 | 55.43% | 2026-09-01 | Quelle geprüft |
| 77 | MiniMax M2.7MiniMax | 2026-04-15 | 55.43% | 2026-09-01 | Quelle geprüft |
| 78 | Inkling (xhigh)Other | 2026-07-15 | 55.06% | 2026-09-01 | Quelle geprüft |
| 79 | Inkling SmallOther | 2026-07-30 | 55.06% | 2026-09-01 | Quelle geprüft |
| 80 | Claude Opus 4.7 (Non-reasoning, High Effort)Anthropic | 2026-04-16 | 54.55% | 2026-09-01 | Quelle geprüft |
| 81 | Nemotron 3 Ultra 550B A55B (Reasoning)NVIDIA | 2026-06-04 | 53.93% | 2026-09-01 | Quelle geprüft |
| 82 | Gemini 3.5 Flash-LiteGoogle | 2026-07-21 | 53.56% | 2026-09-01 | Quelle geprüft |
| 83 | GPT-5.3 Codex (xhigh)OpenAI | 2026-02-05 | 53.03% | 2026-09-01 | Quelle geprüft |
| 84 | GPT-5.1OpenAI | 2025-11-13 | 52.43% | 2026-09-01 | Quelle geprüft |
| 85 | Grok Build 0.1 0616xAI | 2026-06-16 | 52.06% | 2026-09-01 | Quelle geprüft |
| 86 | GLM-5.2 (Non-reasoning)Zhipu | 2026-06-16 | 51.69% | 2026-09-01 | Quelle geprüft |
| 87 | Muse GlimmerMeta | 2026-08-10 | 51.69% | 2026-09-01 | Quelle geprüft |
| 88 | Qwen3.5 397B A17B (Reasoning)Alibaba | 2026-02-16 | 51.31% | 2026-09-01 | Quelle geprüft |
| 89 | Qwen3.6 27B (Non-reasoning)Alibaba | 2026-04-22 | 51.31% | 2026-09-01 | Quelle geprüft |
| 90 | Mistral Medium 3.5Mistral | 2026-04-29 | 50.56% | 2026-09-01 | Quelle geprüft |
| 91 | Qwen3.5 122B A10B (Reasoning)Alibaba | 2026-02-24 | 47.57% | 2026-09-01 | Quelle geprüft |
| 92 | Claude Opus 4.5 (Reasoning)Anthropic | 2025-11-24 | 46.97% | 2026-09-01 | Quelle geprüft |
| 93 | GPT-5.2OpenAI | 2025-12-11 | 46.97% | 2026-09-01 | Quelle geprüft |
| 94 | DeepSeek V3.2 (Reasoning)DeepSeek | 2025-12-01 | 46.82% | 2026-09-01 | Quelle geprüft |
| 95 | Claude Opus 4.6 (Adaptive Reasoning, Max Effort)Anthropic | 2026-02-05 | 46.21% | 2026-09-01 | Quelle geprüft |
| 96 | Gemini 3.5 Flash (minimal)Google | 2026-05-19 | 46.21% | 2026-09-01 | Quelle geprüft |
| 97 | Kimi K2.5Moonshot | 2026-01-27 | 45.69% | 2026-09-01 | Quelle geprüft |
| 98 | GLM-4.7 (Reasoning)Zhipu | 2025-12-22 | 45.32% | 2026-09-01 | Quelle geprüft |
| 99 | Qwen3.6 35B A3B (Reasoning)Alibaba | 2026-04-16 | 44.94% | 2026-09-01 | Quelle geprüft |
| 100 | Solar Open2 250BOther | 2026-08-12 | 44.19% | 2026-09-01 | Quelle geprüft |
| 101 | Qwen3.6 Max PreviewAlibaba | 2026-04-20 | 43.94% | 2026-09-01 | Quelle geprüft |
| 102 | Gemma 4 31B ITGoogle | 2026-03-01 | 43.45% | 2026-09-01 | Quelle geprüft |
| 103 | GLM-5 (Reasoning)Zhipu | 2026-02-11 | 43.18% | 2026-09-01 | Quelle geprüft |
| 104 | GPT-5.2 (medium)OpenAI | 2025-12-11 | 43.18% | 2026-09-01 | Quelle geprüft |
| 105 | GPT-5.4 (low)OpenAI | 2026-03-05 | 43.18% | 2026-09-01 | Quelle geprüft |
| 106 | Ring-2.6-1TOther | 2026-05-08 | 43.07% | 2026-09-01 | Quelle geprüft |
| 107 | Claude Sonnet 4.6 (Non-reasoning, Low Effort)Anthropic | 2026-02-17 | 42.42% | 2026-09-01 | Quelle geprüft |
| 108 | GPT-5.5 Instant (May 2026)OpenAI | 2026-05-05 | 42.42% | 2026-09-01 | Quelle geprüft |
| 109 | Gemini 3 ProGoogle | 2025-11-18 | 41.67% | 2026-09-01 | Quelle geprüft |
| 110 | Qwen3.6 35B A3B (Non-reasoning)Alibaba | 2026-04-16 | 41.57% | 2026-09-01 | Quelle geprüft |
| 111 | Claude Opus 4.5Anthropic | 2025-11-24 | 40.91% | 2026-09-01 | Quelle geprüft |
| 112 | Grok 4.20 0309 (Reasoning)xAI | 2026-03-10 | 40.91% | 2026-09-01 | Quelle geprüft |
| 113 | MiMo-V2-ProXiaomi | 2026-03-18 | 40.91% | 2026-09-01 | Quelle geprüft |
| 114 | K-EXAONE 2.0 0803Other | 2026-08-12 | 40.45% | 2026-09-01 | Quelle geprüft |
| 115 | Gemini 3.5 Flash (medium)Google | 2026-05-19 | 39.39% | 2026-09-01 | Quelle geprüft |
| 116 | GLM-5 (Non-reasoning)Zhipu | 2026-02-11 | 39.39% | 2026-09-01 | Quelle geprüft |
| 117 | Step 3.7 FlashStepFun | 2026-06-01 | 39.33% | 2026-09-01 | Quelle geprüft |
| 118 | A.X-K2Other | 2026-08-12 | 38.95% | 2026-09-01 | Quelle geprüft |
| 119 | Gemini 3 Flash Preview (Reasoning)Google | 2025-12-17 | 38.64% | 2026-09-01 | Quelle geprüft |
| 120 | GPT-5 (medium)OpenAI | 2025-08-07 | 37.88% | 2026-09-01 | Quelle geprüft |
| 121 | GPT-5 Codex (high)OpenAI | 2025-09-23 | 37.88% | 2026-09-01 | Quelle geprüft |
| 122 | Grok 4xAI | 2025-07-10 | 37.88% | 2026-09-01 | Quelle geprüft |
| 123 | Grok 4.20 ReasoningxAI | 2026-03-05 | 37.88% | 2026-09-01 | Quelle geprüft |
| 124 | Kimi K2.6 (Non-reasoning)Other | 2026-04-20 | 37.88% | 2026-09-01 | Quelle geprüft |
| 125 | GPT-5.2 Codex (xhigh)OpenAI | 2025-12-11 | 37.12% | 2026-09-01 | Quelle geprüft |
| 126 | OpenAI o3OpenAI | 2025-04-16 | 37.12% | 2026-09-01 | Quelle geprüft |
| 127 | DeepSeek V4 Pro (Non-reasoning)DeepSeek | 2026-04-24 | 36.36% | 2026-09-01 | Quelle geprüft |
| 128 | MiMo-V2-Omni-0327Xiaomi | 2026-03-27 | 35.61% | 2026-09-01 | Quelle geprüft |
| 129 | MiMo-V2.5-Pro (Non-reasoning)Xiaomi | 2026-04-22 | 35.61% | 2026-09-01 | Quelle geprüft |
| 130 | Qwen3.5 397B A17B (Non-reasoning)Alibaba | 2026-02-16 | 35.61% | 2026-09-01 | Quelle geprüft |
| 131 | North Mini CodeCohere | 2026-06-09 | 35.58% | 2026-09-01 | Quelle geprüft |
| 132 | GPT-5 (high)OpenAI | 2025-08-07 | 35.21% | 2026-09-01 | Quelle geprüft |
| 133 | GPT-5.1 Codex (high)OpenAI | 2025-11-13 | 34.85% | 2026-09-01 | Quelle geprüft |
| 134 | MiMo-V2-OmniXiaomi | 2026-03-19 | 34.85% | 2026-09-01 | Quelle geprüft |
| 135 | MiniMax M2.5MiniMax | 2026-04-01 | 34.85% | 2026-09-01 | Quelle geprüft |
| 136 | GPT-5.5 Instant (June 2026)OpenAI | 2026-06-25 | 34.83% | 2026-09-01 | Quelle geprüft |
| 137 | Claude 4.1 Opus (Reasoning)Anthropic | 2025-08-05 | 34.34% | 2026-09-01 | Quelle geprüft |
| 138 | DeepSeek V4 Flash (Non-reasoning)DeepSeek | 2026-04-24 | 34.09% | 2026-09-01 | Quelle geprüft |
| 139 | Gemini 3 Pro Preview (low)Google | 2025-11-18 | 34.09% | 2026-09-01 | Quelle geprüft |
| 140 | Hy3-preview (Reasoning)Other | 2026-04-23 | 34.09% | 2026-09-01 | Quelle geprüft |
| 141 | Grok 4.3 (Non-reasoning)xAI | 2026-04-30 | 34.08% | 2026-09-01 | Quelle geprüft |
| 142 | GLM-5-TurboZhipu | 2026-03-15 | 33.33% | 2026-09-01 | Quelle geprüft |
| 143 | G9v3-39A5BOther | 2026-08-03 | 32.58% | 2026-09-01 | Quelle geprüft |
| 144 | GLM 5V Turbo (Reasoning)Zhipu | 2026-04-01 | 32.58% | 2026-09-01 | Quelle geprüft |
| 145 | Qwen3.5 27B (Reasoning)Alibaba | 2026-02-24 | 32.58% | 2026-09-01 | Quelle geprüft |
| 146 | Gemini 3 Flash PreviewGoogle | 2025-12-17 | 31.82% | 2026-09-01 | Quelle geprüft |
| 147 | Hy3-preview (Non-reasoning)Other | 2026-04-23 | 31.82% | 2026-09-01 | Quelle geprüft |
| 148 | Gemini 3.1 Flash LiteGoogle | 2026-05-07 | 31.09% | 2026-09-01 | Quelle geprüft |
| 149 | Claude 4 Opus (Reasoning)Anthropic | 2025-05-22 | 31.06% | 2026-09-01 | Quelle geprüft |
| 150 | Kimi K2 ThinkingMoonshot | 2025-11-06 | 31.06% | 2026-09-01 | Quelle geprüft |
| 151 | Ling-2.6-1TOther | 2026-04-23 | 31.06% | 2026-09-01 | Quelle geprüft |
| 152 | MiMo-V2-Flash (Feb 2026)Xiaomi | 2025-12-16 | 31.06% | 2026-09-01 | Quelle geprüft |
| 153 | Grok 4.3 (medium)xAI | 2026-04-30 | 30.3% | 2026-09-01 | Quelle geprüft |
| 154 | JT-35B-FlashOther | 2026-05-14 | 28.79% | 2026-09-01 | Quelle geprüft |
| 155 | MiniMax-M2.1MiniMax | 2025-12-23 | 28.79% | 2026-09-01 | Quelle geprüft |
| 156 | MiMo-V2-Flash (Reasoning)Xiaomi | 2025-12-16 | 28.03% | 2026-09-01 | Quelle geprüft |
| 157 | Ling 3.0 TinyOther | 2026-08-06 | 27.72% | 2026-09-01 | Quelle geprüft |
| 158 | Gemma 4 12B (Reasoning)Google | 2026-06-07 | 27.34% | 2026-09-01 | Quelle geprüft |
| 159 | Granite 4.2 30BOther | 2026-08-25 | 26.59% | 2026-09-01 | Quelle geprüft |
| 160 | GPT-5 (low)OpenAI | 2025-08-07 | 26.52% | 2026-09-01 | Quelle geprüft |
| 161 | Grok 4.3 (low)xAI | 2026-04-30 | 26.52% | 2026-09-01 | Quelle geprüft |
| 162 | Ling 2.6 FlashOther | 2026-04-21 | 24.34% | 2026-09-01 | Quelle geprüft |
| 163 | Nemotron 3.5 LightningNVIDIA | 2026-08-11 | 24.34% | 2026-09-01 | Quelle geprüft |
| 164 | Qwen3 Max ThinkingAlibaba | 2026-01-26 | 24.24% | 2026-09-01 | Quelle geprüft |
| 165 | Command ACohere | 2026-03-15 | 22.85% | 2026-09-01 | Quelle geprüft |
| 166 | EXAONE 4.5 33BOther | 2026-04-09 | 21.35% | 2026-09-01 | Quelle geprüft |
| 167 | Granite 4.2 8BOther | 2026-08-25 | 18.35% | 2026-09-01 | Quelle geprüft |
| 168 | HyperNova 60B 2605Multiverse | 2026-05-06 | 18.35% | 2026-09-01 | Quelle geprüft |
| 169 | JT-MINIOther | 2026-04-15 | 18.18% | 2026-09-01 | Quelle geprüft |
| 170 | Grok 4.20 0309 v2 (Non-reasoning)xAI | 2026-04-07 | 16.67% | 2026-09-01 | Quelle geprüft |
| 171 | DeepSeek R1DeepSeek | 2025-01-20 | 15.91% | 2026-09-01 | Quelle geprüft |
| 172 | Granite 4.2 3BOther | 2026-08-25 | 13.86% | 2026-09-01 | Quelle geprüft |
| 173 | OpenAI o1OpenAI | 2024-09-12 | 12.88% | 2026-09-01 | Quelle geprüft |
| 174 | DiffusionGemma 26B A4BGoogle | 2026-06-10 | 12.36% | 2026-09-01 | Quelle geprüft |
| 175 | Mistral Large 3Mistral | 2025-12-02 | 11.99% | 2026-09-01 | Quelle geprüft |
| 176 | Gemma 4 12B (Non-reasoning)Google | 2026-06-10 | 11.36% | 2026-09-01 | Quelle geprüft |
| 177 | Llama 4 MaverickMeta | 2026-04-05 | 7.87% | 2026-09-01 | Quelle geprüft |
| 178 | Nemotron 3 Nano Omni 30B A3B ReasoningNVIDIA | 2026-04-29 | 6.74% | 2026-09-01 | Quelle geprüft |
| 179 | G9v3-3BOther | 2026-07-23 | 5.99% | 2026-09-01 | Quelle geprüft |
| 180 | LFM2.5-8B-A1BLiquid | 2026-06-08 | 4.55% | 2026-09-01 | Quelle geprüft |
| 181 | Granite 4.1 30BOther | 2026-04-29 | 2.62% | 2026-09-01 | Quelle geprüft |
| 182 | MiniCPM-V 4.6 1.3BOpenBMB | 2026-05-11 | 0% | 2026-09-01 | Quelle geprüft |
| 183 | MiniCPM5-1B (Non-reasoning)OpenBMB | 2026-05-25 | 0% | 2026-09-01 | Quelle geprüft |
| 184 | MiniCPM5-1B (Reasoning)OpenBMB | 2026-06-04 | 0% | 2026-09-01 | Quelle geprüft |
Was er abdeckt
Dieser Benchmark gehört zur Familie agentisch. Sein Format: Containerisierte Aufgaben mit Terminal-Umgebung; Agenten arbeiten über Befehle und werden durch aufgabenspezifische Checks bewertet. Der Score sollte immer mit Aufgabenformat, Bewertungsmethode, Quelldatum und Benchmark-Version gelesen werden.
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
Fragen zu diesem Benchmark
Jede Antwort unten stammt aus den datierten Feldern dieser Seite. Nichts davon ist zusätzlich für Suchmaschinen geschrieben.
Was misst Terminal-Bench?
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.
Was beweist ein hoher Terminal-Bench-Wert nicht?
Ein starkes Terminal-Bench-Ergebnis sagt nichts aus über:
- 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.
Wie wird Terminal-Bench bewertet?
Lösungs-/Passrate über auditierte Aufgaben. Agent-Harness und Modell-Paarung immer mitlesen. Aufgabenformat: Containerisierte Aufgaben mit Terminal-Umgebung; Agenten arbeiten über Befehle und werden durch aufgabenspezifische Checks bewertet.
Ist Terminal-Bench gesättigt?
Terminal-Bench ist im Atlas derzeit als Aktiv markiert.
Können Terminal-Bench-Ergebnisse durch Trainingsdaten verunreinigt sein?
Das Kontaminationsrisiko für Terminal-Bench ist als Kontamination niedrig eingestuft. Behandle jede Zeile auf dieser Seite als öffentliche Angabe mit Quelle und Datum, nicht als kontrolliertes Experiment.
The Pack · Redaktionsnewsletter
Neue Tools in dein Postfach. Kostenlos.
Eine kurze E-Mail, wenn ein Tool erscheint oder den Status wechselt. Kein Tracking, keine Drittanbieter-Analytics. Abmeldung mit einem Klick.