行业与实践 · 研究与基准测试

研究与基准测试/2026-09-30/6 分钟

Terminal-Bench 2.1：89 道终端任务上的一次核对修订

Artificial Analysis 介绍的 Terminal-Bench 2.1 仍是 89 道硬任务，但修了环境和指令，让分数反映 Agent 能力而不是环境缺口。评测用 Terminus 2，每题三次取 pass@1。