エージェント評価

Terminal-Bench 2.1エージェント評価

Terminal-Bench 2.1の表示版と環境に結び付いた公開行22件を保持します。

課題: 89
公開行: 22
情報源データ日: 2026年9月3日
ID確認日: 現在

根拠の範囲

terminal-bench/terminal-bench-2-1 · publisher-verified leaderboard. terminal tasks. Harbor-managed terminal environments with fixed timeouts and resources. Fixed timeouts and resources · at least 5 trials per task.

OpenGPTでの根拠の扱い

公開元の指標、課題範囲、環境、版、構成、日付を保持し、評価を横断した総合点は作りません。

比較できる範囲

高い値は表示された評価版と条件にだけ適用されます。
結果は基盤モデル単体ではなくエージェント全体を反映します。
費用、信頼性、安全性、速度の欠損値は推測しません。
Terminal-Benchチームは、リーダーボードへの提出を実行して検証したと説明しています。2.1のリリースノートには、改訂されたタスクセットと評価環境が記載されています。

terminal-bench/terminal-bench-2-1 · publisher-verified leaderboard

公開22件のうち22件を表示します。結果は元の評価と構成に結び付いています。