共通のベンチマーク範囲 · Terminal-Bench 2.1

同じベンチマークで比較

現在のスナップショット

同じベンチマーク範囲の構成です。スキャフォールド、モデル版、日付、公開元の値をそのまま表示します。

値が高いことは、このベンチマーク条件での結果のみを示します。実運用品質や異なるベンチマークの総合点ではありません。

同じ条件で比較

判断概要

同じベンチマーク版とタスク範囲の構成だけを比較できます。

公開元のデータです。欠損値は不明のまま表示します。

Terminal-Bench 2.1 · タスク正解率

違いをひと目で	Terminus 2 · GPT-5.5 · xhigh	Codex · GPT-5.5 · xhigh
強み	—	公開結果が高い: 83.2%公開された結果範囲: ±2.2%
制約・トレードオフ	公開結果が低い: 78.0%公開された結果範囲: ±2.4%	—
機能と費用	基盤モデル: GPT-5.5スキャフォールド: Terminus 2 公開された総費用: $493.85	基盤モデル: GPT-5.5スキャフォールド: Codex 公開された総費用: $2,059.19
	詳細 →	詳細 →

全データと出典

同一または全て未報告の17項目を非表示

公開元のデータです。欠損値は不明のまま表示します。

公開順位は候補選びの出発点です。小規模な非公開試験で適合性を確認します。