OpenGPTEvidenzbasierte Modellentscheidungen
Suchen⌘K

Agentenkonfiguration · Terminal-Bench 2.1

Claude Code · GLM-5.1 · max

Das eingeordnete Objekt: Modell, Gerüst, Tools, Berechtigungen, Budget und Umgebung als Einheit.

In diesem Benchmark vergleichenOffizieller ZugriffQuelle öffnen
Aufgabengenauigkeit58.6%
Kosten pro erfolgreich erledigter AufgabeNicht veröffentlicht
Veröffentlichte Ergebnisspanne±2.4%

01

Konfiguration

AgentensystemClaude Code · GLM-5.1 · max
BasismodellGLM-5.1
Quellmodell-ID oder -bezeichnungGLM-5.1
AgentengerüstClaude Code
Scaffold-VersionNicht gemeldet
WerkzeugeTerminal shell
UmgebungVon Harbor verwaltete Terminalumgebungen
BudgetFeste Limits · mindestens 5 Versuche pro Aufgabe

02

Ergebnis

Aufgabengenauigkeit58.6%
TeilpunktzahlNicht veröffentlicht
Kosten pro erfolgreich erledigter AufgabeNicht veröffentlicht
Gemeldete Benchmark-Kosten277,14 $
Mediane AbschlusszeitNicht veröffentlicht
Menschliches EingreifenNicht veröffentlicht

03

Vorgang

Evidenz aus wiederholten DurchläufenNicht veröffentlicht
Veröffentlichte Ergebnisspanne±2.4%
SicherheitshinweisNicht veröffentlicht
Vergleichbarkeitsgruppeterminal-bench-2-1-main
Bewertungsdatum
Daten erfasst

04

Vertrauen

NachweisVom Benchmark-Herausgeber gelistet
QuelleTerminal-Bench 2.1
QuellsnapshotTerminal-Bench 2.1 · vom Herausgeber verifizierte Rangliste
Datum der Quelldaten
Von OpenGPT abgerufen
Letzte Rankingänderung
Zuletzt geprüft
Aufgaben89 Terminalaufgaben
NachweisstufeVom Herausgeber gepflegt
Nachweishinweis

Das Terminal-Bench-Team gibt an, diese Einreichungen ausgeführt und verifiziert zu haben. Für Version 2.1 wurden die Aufgaben und die Bewertungsumgebung überarbeitet.

Audit öffnen ↗

Was dieses Ergebnis nicht nachweist

Dieses Ergebnis gilt für das hier gezeigte exakte System und die angegebenen Quellbedingungen. Es weist weder einen universell besten Agenten noch Produktionstauglichkeit, Daten-Governance oder Leistung mit einer anderen Benchmark-Version nach.

Gleiches mit Gleichem vergleichen

Nur Konfigurationen derselben Benchmark-Version und desselben Aufgabenumfangs können in einem Vergleich gegenübergestellt werden.

Claude Code · Fable 5 · xhigh83.8% · Fable 5Claude Code · Opus 4.8 · high78.9% · Opus 4.8Claude Code · Sonnet 5 · high74.6% · Sonnet 5Claude Code · Opus 4.7 · max68.9% · Opus 4.7

Von der Quelle gemeldete Daten; fehlende Werte bleiben unbekannt.

Vor der Einführung validieren

Öffentliche Rankings erstellen eine Vorauswahl. Ein kleiner privater Test zeigt, ob die Konfiguration zu Ihrer Arbeit passt.

  1. 1

    Wählen Sie 10–20 repräsentative Aufgaben und definieren Sie eine klare Bestehensbedingung.

  2. 2

    Legen Sie Agent, Modell, Tools, Berechtigungen und Budget vor dem Test fest.

  3. 3

    Führen Sie jede wichtige Aufgabe mehrmals aus; erfassen Sie Erfolg, Kosten, Zeit und menschliche Übernahmen.

  4. 4

    Fehler und Risiken bei der Datenverarbeitung vor einer Produktionsentscheidung prüfen.

← Agentenverzeichnis und -bewertungen