跳到主要内容Skip to main content

Models · Evals

Terminal-Bench

终端环境里的多步任务

测什么终端环境里的多步任务
任务与数据在容器里完成文件操作、配置、构建、调试等任务
指标任务完成率
污染风险任务公开较新,污染风险相对低;但任务集仍在增长。
复现固定镜像、网络权限、超时与评分脚本;记录是否允许联网。
成本中到高;需要容器执行
快照日2026-11-19
核验日2026-11-19

怎么读

适合测 agent 的工具使用与恢复能力,不只是文本生成。

下一步

  • 打开榜单或论文页,确认题集版本、评分脚本与提交日期。
  • 把它和你关心的业务任务做对照;找不到对应任务,就自己建 50–100 条内部评测。
  • 读 怎么读榜单,把“分数”写成“条件 + 参考价值”。
榜单 / 来源:https://www.tbench.ai/ · 快照 2026-11-19