VerdictPal
Beitreten

Benchmarks / Agentisch

Terminal-Bench

Terminal-Bench 2.1

Ob ein Agent realistische, containerisierte Terminal-Aufgaben (Terminal-Bench 2.1 in der öffentlichen AA-API) erledigen kann: Code debuggen, Dateien bearbeiten, Befehle ausführen und das Artefakt liefern, das der versteckte Checker erwartet. Index v4.2 gewichtete diese Suite mit 10 %; Index v4.3 nutzt im Composite Terminal-Bench v4.0.

AgentischPrimär · AgentischSolidAktivKontamination niedrigSeit 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.
Analyse

Warum dieser Benchmark nützlich ist

Wenn du realistische containerisierte Terminal-Arbeit brauchst — Debug, Dateien, Befehle, Artefakte — als agentisches Ops-Signal. Diese Seite trackt AAs veröffentlichte 2.1-/Hard-Zeilen, nicht das v4.0-Slice im Index v4.3.

Umfang

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
Lesehilfe

So liest du die Scores

Lösungs-/Passrate auf auditierten Terminal-Bench-2.1-Aufgaben aus der AA-API (`terminalbench_v2_1` / Hard). Frontier-2.1-Passraten liegen in den hohen 80ern bis niedrigen 90ern — das ist die leichtere Suite. Das Coding-Slice von Index v4.3 nutzt Terminal-Bench v4.0 (AA berichtete Astra Max 59,1 % gegen Fable 5.1 52,0 % am 7. Sep. 2026), aber dieser Schlüssel fehlt im API-Payload vom 10. Sep. 2026, daher bleibt dieses Ledger auf 2.1, bis AA v4-Zeilen publiziert. Modell immer mit Harness, Tools, Retries und Zeitlimits lesen.

Blinde Flecken

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

Evidenz-Ledger

167 Zeilen
167167 Zeilen
91.39%bester Score
166quellgeprüft
2Quellen
2026-09-28bis 2026-06-29
166

api · api

Vendor claims1

manual-snapshot · manual

Verteilung

Wo die Zeilen liegen

0255075100

Auf die Skala dieses Benchmarks normalisiert (0–100). Die Tabelle zeigt die Rohwerte.

Zeitverlauf

Neueste Belege

  1. Claude Fable 5.191.39% ·
  2. Claude Opus 5 (Adaptive Reasoning, Max Effort)89.14% ·
  3. Qwen3.8 Max88.76% ·
  4. GPT-6 Astra88.39% ·
  5. Grok 4.688.39% ·

Scores nutzen die eigene Einheit und Skala dieses Benchmarks, keinen universellen Qualitätswert.

#ModellVeröffentlichungScoreHerkunftBeleglage
1Claude Fable 5.1Anthropic2026-09-0191.39%
2026-09-28
Quelle geprüft
2Claude Opus 5 (Adaptive Reasoning, Max Effort)Anthropic2026-07-2489.14%
2026-09-28
Quelle geprüft
3Qwen3.8 MaxAlibaba2026-08-0388.76%
2026-09-28
Quelle geprüft
4GPT-6 AstraOpenAI2026-09-0388.39%
2026-09-28
Quelle geprüft
5Grok 4.6xAI2026-08-1288.39%
2026-09-28
Quelle geprüft
6Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)Anthropic2026-07-2488.01%
2026-09-28
Quelle geprüft
7GPT-5.6 SolOpenAI2026-07-0988.01%
2026-09-28
Quelle geprüft
8GPT-5.6 TerraOpenAI2026-07-0988.01%
2026-09-28
Quelle geprüft
9Claude Opus 5 (Adaptive Reasoning, High Effort)Anthropic2026-07-2487.64%
2026-09-28
Quelle geprüft
10Gemini 3.8 FlashGoogle2026-09-0287.64%
2026-09-28
Quelle geprüft
11Claude Opus 5 (Adaptive Reasoning, Medium Effort)Anthropic2026-07-2486.14%
2026-09-28
Quelle geprüft
12Qwen3.8-Flash-NextAlibaba2026-08-2686.14%
2026-09-28
Quelle geprüft
13Gemini 3.7 FlashGoogle2026-08-1385.77%
2026-09-28
Quelle geprüft
14Kimi K3Moonshot2026-07-1685.02%
2026-09-28
Quelle geprüft
15Claude Fable 5Anthropic2026-06-0984.64%
2026-09-28
Quelle geprüft
16GLM-5.3-FlashZhipu2026-08-2684.27%
2026-09-28
Quelle geprüft
17Muse Spark 1.3Meta2026-09-0284.27%
2026-09-28
Quelle geprüft
18GLM-5.3Zhipu2026-08-1483.9%
2026-09-28
Quelle geprüft
19Kimi K3 (low)Moonshot2026-07-1682.4%
2026-09-28
Quelle geprüft
20Qwen3.8 2.4T A95BAlibaba2026-08-1282.02%
2026-09-28
Quelle geprüft
21Grok 4.5xAI2026-07-0881.65%
2026-09-28
Quelle geprüft
22GPT-5.6 LunaOpenAI2026-07-0980.9%
2026-09-28
Quelle geprüft
23Claude Sonnet 5Anthropic2026-06-3080.52%
2026-09-28
Quelle geprüft
24GPT-5.5 (medium)OpenAI2026-04-2380.52%
2026-09-28
Quelle geprüft
25Muse Spark 1.2Meta2026-08-0580.15%
2026-09-28
Quelle geprüft
26Qwen3.8 27BAlibaba2026-08-1479.78%
2026-09-28
Quelle geprüft
27GPT-5.5 (high)OpenAI2026-04-2379.4%
2026-09-28
Quelle geprüft
28DeepSeek V4 Flash 0731 (Reasoning, Max Effort)DeepSeek2026-07-3178.65%
2026-09-28
Quelle geprüft
29DeepSeek V4 Pro 0813 (Reasoning, Max Effort)DeepSeek2026-08-1378.65%
2026-09-28
Quelle geprüft
30GLM-5.2Zhipu2026-06-1377.9%
2026-09-28
Quelle geprüft
31Muse Spark 1.1Meta2026-07-0977.9%
2026-09-28
Quelle geprüft
32Gemini 3.6 Flash (high)Google2026-07-2177.53%
2026-09-28
Quelle geprüft
33Claude Opus 5 (Adaptive Reasoning, Low Effort)Anthropic2026-07-2476.4%
2026-09-28
Quelle geprüft
34Motif 3Other2026-08-1274.91%
2026-09-28
Quelle geprüft
35Qwen3.7 MaxAlibaba2026-05-1974.53%
2026-09-28
Quelle geprüft
36DeepSeek V4 Flash Vision (Reasoning, Max Effort)DeepSeek2026-08-2174.16%
2026-09-28
Quelle geprüft
37Gemini 3.1 Pro PreviewGoogle2026-02-1973.78%
2026-09-28
Quelle geprüft
38K2 Horizon 375B A23BOther2026-09-0371.91%
2026-09-28
Quelle geprüft
39Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)Anthropic2026-02-1771.16%
2026-09-28
Quelle geprüft
40LongCat-2.0MeituanVendor-gemeldeter LongCat-2.0-Wert; getrennt von auditierten Terminal-Bench-Leaderboard-Zeilen halten, bis ein unabhängiger Lauf vorliegt.2026-06-2970.8%
Meituan LongCat-2.0 release materials2026-06-29
Prüfung nötig
41Motif 3 (Beta)Other2026-07-2170.79%
2026-09-28
Quelle geprüft
42KAT Coder Pro V2Other2026-03-2770.04%
2026-09-28
Quelle geprüft
43Apodex 1.1Other2026-08-3069.66%
2026-09-28
Quelle geprüft
44Nex-N2-ProOther2026-06-0267.79%
2026-09-28
Quelle geprüft
45Kimi K2.7 CodeMoonshot2026-06-1267.42%
2026-09-28
Quelle geprüft
46GPT-5.5 (low)OpenAI2026-04-2365.54%
2026-09-28
Quelle geprüft
47MiMo-V2.5-ProXiaomi2026-04-2265.17%
2026-09-28
Quelle geprüft
48Hy3Other2026-07-0664.42%
2026-09-28
Quelle geprüft
49MiMo-V2.5Xiaomi2026-04-2263.67%
2026-09-28
Quelle geprüft
50Muse SparkOther2026-01-0162.17%
2026-09-28
Quelle geprüft
51GLM-5.1Zhipu2026-04-0761.8%
2026-09-28
Quelle geprüft
52Qwen3.6 PlusAlibaba2026-04-0261.42%
2026-09-28
Quelle geprüft
53GPT-5.5 (Non-reasoning)OpenAI2026-04-2361.05%
2026-09-28
Quelle geprüft
54Qwen 3.7 PlusAlibaba2026-06-0261.05%
2026-09-28
Quelle geprüft
55GPT-5.4 NanoOpenAI2026-03-1760.67%
2026-09-28
Quelle geprüft
56Qwen3.6 27B (Reasoning)Alibaba2026-04-2260.67%
2026-09-28
Quelle geprüft
57JT-4.1 Flash 236B A21BOther2026-07-0959.55%
2026-09-28
Quelle geprüft
58GPT-5.4 MiniOpenAI2026-03-1759.18%
2026-09-28
Quelle geprüft
59Solar Pro 4Other2026-08-0657.3%
2026-09-28
Quelle geprüft
60Claude 4.5 Sonnet (Reasoning)Anthropic2025-09-2955.81%
2026-09-28
Quelle geprüft
61Ling 3.0 FlashOther2026-08-0455.43%
2026-09-28
Quelle geprüft
62MiniMax M2.7MiniMax2026-04-1555.43%
2026-09-28
Quelle geprüft
63Inkling (xhigh)Other2026-07-1555.06%
2026-09-28
Quelle geprüft
64Inkling SmallOther2026-07-3055.06%
2026-09-28
Quelle geprüft
65Claude Opus 4.7 (Non-reasoning, High Effort)Anthropic2026-04-1654.55%
2026-09-28
Quelle geprüft
66Nemotron 3 Ultra 550B A55B (Reasoning)NVIDIA2026-06-0453.93%
2026-09-28
Quelle geprüft
67Gemini 3.5 Flash-LiteGoogle2026-07-2153.56%
2026-09-28
Quelle geprüft
68GPT-5.3 Codex (xhigh)OpenAI2026-02-0553.03%
2026-09-28
Quelle geprüft
69GPT-5.1OpenAI2025-11-1352.43%
2026-09-28
Quelle geprüft
70Grok Build 0.1 0616xAI2026-06-1652.06%
2026-09-28
Quelle geprüft
71GLM-5.2 (Non-reasoning)Zhipu2026-06-1651.69%
2026-09-28
Quelle geprüft
72Muse GlimmerMeta2026-08-1051.69%
2026-09-28
Quelle geprüft
73Qwen3.5 397B A17B (Reasoning)Alibaba2026-02-1651.31%
2026-09-28
Quelle geprüft
74Qwen3.6 27B (Non-reasoning)Alibaba2026-04-2251.31%
2026-09-28
Quelle geprüft
75Mistral Medium 3.5Mistral2026-04-2950.56%
2026-09-28
Quelle geprüft
76Qwen3.5 122B A10B (Reasoning)Alibaba2026-02-2447.57%
2026-09-28
Quelle geprüft
77Claude Opus 4.5 (Reasoning)Anthropic2025-11-2446.97%
2026-09-28
Quelle geprüft
78GPT-5.2OpenAI2025-12-1146.97%
2026-09-28
Quelle geprüft
79DeepSeek V3.2 (Reasoning)DeepSeek2025-12-0146.82%
2026-09-28
Quelle geprüft
80Claude Opus 4.6 (Adaptive Reasoning, Max Effort)Anthropic2026-02-0546.21%
2026-09-28
Quelle geprüft
81Gemini 3.5 Flash (minimal)Google2026-05-1946.21%
2026-09-28
Quelle geprüft
82Kimi K2.5Moonshot2026-01-2745.69%
2026-09-28
Quelle geprüft
83GLM-4.7 (Reasoning)Zhipu2025-12-2245.32%
2026-09-28
Quelle geprüft
84Qwen3.6 35B A3B (Reasoning)Alibaba2026-04-1644.94%
2026-09-28
Quelle geprüft
85Solar Open2 250BOther2026-08-1244.19%
2026-09-28
Quelle geprüft
86Qwen3.6 Max PreviewAlibaba2026-04-2043.94%
2026-09-28
Quelle geprüft
87Gemma 4 31B ITGoogle2026-03-0143.45%
2026-09-28
Quelle geprüft
88GLM-5 (Reasoning)Zhipu2026-02-1143.18%
2026-09-28
Quelle geprüft
89GPT-5.2 (medium)OpenAI2025-12-1143.18%
2026-09-28
Quelle geprüft
90GPT-5.4 (low)OpenAI2026-03-0543.18%
2026-09-28
Quelle geprüft
91Ring-2.6-1TOther2026-05-0843.07%
2026-09-28
Quelle geprüft
92Claude Sonnet 4.6 (Non-reasoning, Low Effort)Anthropic2026-02-1742.42%
2026-09-28
Quelle geprüft
93GPT-5.5 Instant (May 2026)OpenAI2026-05-0542.42%
2026-09-28
Quelle geprüft
94Gemini 3 ProGoogle2025-11-1841.67%
2026-09-28
Quelle geprüft
95Qwen3.6 35B A3B (Non-reasoning)Alibaba2026-04-1641.57%
2026-09-28
Quelle geprüft
96Claude Opus 4.5Anthropic2025-11-2440.91%
2026-09-28
Quelle geprüft
97Grok 4.20 0309 (Reasoning)xAI2026-03-1040.91%
2026-09-28
Quelle geprüft
98MiMo-V2-ProXiaomi2026-03-1840.91%
2026-09-28
Quelle geprüft
99K-EXAONE 2.0 0803Other2026-08-1240.45%
2026-09-28
Quelle geprüft
100Gemini 3.5 Flash (medium)Google2026-05-1939.39%
2026-09-28
Quelle geprüft
101GLM-5 (Non-reasoning)Zhipu2026-02-1139.39%
2026-09-28
Quelle geprüft
102Step 3.7 FlashStepFun2026-06-0139.33%
2026-09-28
Quelle geprüft
103A.X-K2Other2026-08-1238.95%
2026-09-28
Quelle geprüft
104Gemini 3 Flash Preview (Reasoning)Google2025-12-1738.64%
2026-09-28
Quelle geprüft
105GPT-5 (medium)OpenAI2025-08-0737.88%
2026-09-28
Quelle geprüft
106GPT-5 Codex (high)OpenAI2025-09-2337.88%
2026-09-28
Quelle geprüft
107Grok 4xAI2025-07-1037.88%
2026-09-28
Quelle geprüft
108Grok 4.20 ReasoningxAI2026-03-0537.88%
2026-09-28
Quelle geprüft
109Kimi K2.6 (Non-reasoning)Other2026-04-2037.88%
2026-09-28
Quelle geprüft
110GPT-5.2 Codex (xhigh)OpenAI2025-12-1137.12%
2026-09-28
Quelle geprüft
111OpenAI o3OpenAI2025-04-1637.12%
2026-09-28
Quelle geprüft
112MiMo-V2-Omni-0327Xiaomi2026-03-2735.61%
2026-09-28
Quelle geprüft
113MiMo-V2.5-Pro (Non-reasoning)Xiaomi2026-04-2235.61%
2026-09-28
Quelle geprüft
114Qwen3.5 397B A17B (Non-reasoning)Alibaba2026-02-1635.61%
2026-09-28
Quelle geprüft
115North Mini CodeCohere2026-06-0935.58%
2026-09-28
Quelle geprüft
116GPT-5 (high)OpenAI2025-08-0735.21%
2026-09-28
Quelle geprüft
117GPT-5.1 Codex (high)OpenAI2025-11-1334.85%
2026-09-28
Quelle geprüft
118MiMo-V2-OmniXiaomi2026-03-1934.85%
2026-09-28
Quelle geprüft
119MiniMax M2.5MiniMax2026-04-0134.85%
2026-09-28
Quelle geprüft
120GPT-5.5 Instant (June 2026)OpenAI2026-06-2534.83%
2026-09-28
Quelle geprüft
121Claude 4.1 Opus (Reasoning)Anthropic2025-08-0534.34%
2026-09-28
Quelle geprüft
122Gemini 3 Pro Preview (low)Google2025-11-1834.09%
2026-09-28
Quelle geprüft
123Hy3-preview (Reasoning)Other2026-04-2334.09%
2026-09-28
Quelle geprüft
124Grok 4.3 (Non-reasoning)xAI2026-04-3034.08%
2026-09-28
Quelle geprüft
125GLM-5-TurboZhipu2026-03-1533.33%
2026-09-28
Quelle geprüft
126G9v3-39A5BOther2026-08-0332.58%
2026-09-28
Quelle geprüft
127GLM 5V Turbo (Reasoning)Zhipu2026-04-0132.58%
2026-09-28
Quelle geprüft
128Qwen3.5 27B (Reasoning)Alibaba2026-02-2432.58%
2026-09-28
Quelle geprüft
129Gemini 3 Flash PreviewGoogle2025-12-1731.82%
2026-09-28
Quelle geprüft
130Hy3-preview (Non-reasoning)Other2026-04-2331.82%
2026-09-28
Quelle geprüft
131Gemini 3.1 Flash LiteGoogle2026-05-0731.09%
2026-09-28
Quelle geprüft
132Claude 4 Opus (Reasoning)Anthropic2025-05-2231.06%
2026-09-28
Quelle geprüft
133Kimi K2 ThinkingMoonshot2025-11-0631.06%
2026-09-28
Quelle geprüft
134Ling-2.6-1TOther2026-04-2331.06%
2026-09-28
Quelle geprüft
135MiMo-V2-Flash (Feb 2026)Xiaomi2025-12-1631.06%
2026-09-28
Quelle geprüft
136Grok 4.3 (medium)xAI2026-04-3030.3%
2026-09-28
Quelle geprüft
137JT-35B-FlashOther2026-05-1428.79%
2026-09-28
Quelle geprüft
138MiniMax-M2.1MiniMax2025-12-2328.79%
2026-09-28
Quelle geprüft
139MiMo-V2-Flash (Reasoning)Xiaomi2025-12-1628.03%
2026-09-28
Quelle geprüft
140Ling 3.0 TinyOther2026-08-0627.72%
2026-09-28
Quelle geprüft
141Gemma 4 12B (Reasoning)Google2026-06-0727.34%
2026-09-28
Quelle geprüft
142Granite 4.2 30BOther2026-08-2526.59%
2026-09-28
Quelle geprüft
143GPT-5 (low)OpenAI2025-08-0726.52%
2026-09-28
Quelle geprüft
144Grok 4.3 (low)xAI2026-04-3026.52%
2026-09-28
Quelle geprüft
145Ling 2.6 FlashOther2026-04-2124.34%
2026-09-28
Quelle geprüft
146Nemotron 3.5 LightningNVIDIA2026-08-1124.34%
2026-09-28
Quelle geprüft
147Qwen3 Max ThinkingAlibaba2026-01-2624.24%
2026-09-28
Quelle geprüft
148EXAONE 4.5 33BOther2026-04-0921.35%
2026-09-28
Quelle geprüft
149Granite 4.2 8BOther2026-08-2518.35%
2026-09-28
Quelle geprüft
150JT-MINIOther2026-04-1518.18%
2026-09-28
Quelle geprüft
151Grok 4.20 0309 v2 (Non-reasoning)xAI2026-04-0716.67%
2026-09-28
Quelle geprüft
152DeepSeek R1DeepSeek2025-01-2015.91%
2026-09-28
Quelle geprüft
153Granite 4.2 3BOther2026-08-2513.86%
2026-09-28
Quelle geprüft
154OpenAI o1OpenAI2024-09-1212.88%
2026-09-28
Quelle geprüft
155DiffusionGemma 26B A4BGoogle2026-06-1012.36%
2026-09-28
Quelle geprüft
156Mistral Large 3Mistral2025-12-0211.99%
2026-09-28
Quelle geprüft
157Gemma 4 12B (Non-reasoning)Google2026-06-1011.36%
2026-09-28
Quelle geprüft
158MiniCPM5-2BOpenBMB2026-09-078.61%
2026-09-28
Quelle geprüft
159Llama 4 MaverickMeta2026-04-057.87%
2026-09-28
Quelle geprüft
160Nemotron 3 Nano Omni 30B A3B ReasoningNVIDIA2026-04-296.74%
2026-09-28
Quelle geprüft
161G9v3-3BOther2026-07-235.99%
2026-09-28
Quelle geprüft
162LFM2.5-8B-A1BLiquid2026-06-084.55%
2026-09-28
Quelle geprüft
163Granite 4.1 30BOther2026-04-292.62%
2026-09-28
Quelle geprüft
164Command ACohere2026-03-150.76%
2026-09-28
Quelle geprüft
165MiniCPM-V 4.6 1.3BOpenBMB2026-05-110%
2026-09-28
Quelle geprüft
166MiniCPM5-1B (Non-reasoning)OpenBMB2026-05-250%
2026-09-28
Quelle geprüft
167MiniCPM5-1B (Reasoning)OpenBMB2026-06-040%
2026-09-28
Quelle geprüft
Methode

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.

Score-Obergrenze

Wo er an Grenzen stösst

Noch ist keine Obergrenze erfasst. Wenn sich Scores oben bündeln, kann der Benchmark Frontier-Modelle möglicherweise nicht mehr trennen.

Tools, die ihn ausweisen

Belege

Quellen und weiterführende Lektüre

← Alle BenchmarksSo bewerten wir

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 in der öffentlichen AA-API) erledigen kann: Code debuggen, Dateien bearbeiten, Befehle ausführen und das Artefakt liefern, das der versteckte Checker erwartet. Index v4.2 gewichtete diese Suite mit 10 %; Index v4.3 nutzt im Composite Terminal-Bench v4.0.

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

Erfahre, wenn sich die Regeln ändern.

Eine kurze E-Mail, wenn eine Hochschule ihre KI-Regel für Abschlussarbeiten ändert oder ein Recherche-Tool Preise oder Datenschutz anpasst. Kein Tracking, keine Drittanbieter-Analytics. Abmeldung mit einem Klick.

Die KI-Checkliste für die Abschlussarbeit ist frei nutzbar, ohne Anmeldung →