BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
Trang chủ
AI AI
Tin nhanh
Bài viết
Sự kiện
BlockBeats Pro
Thêm
Thông tin tài chính
Chuyên đề
Hệ sinh thái chuỗi khối
Mục nhập
Podcast
Data
OPRR
Partnered With:

Terminal-Bench 3.0 đổi ngôi vương: Opus 5 với 43,5% vượt qua GPT-5.6 Sol

Theo động sát Beating theo dõi, bảng xếp hạng mới nhất của Terminal-Bench 3.0 đã đổi ngôi vương. Bài đánh giá này cho AI Agent hoàn thành nhiệm vụ trong môi trường terminal thực tế, cuối cùng trực tiếp kiểm tra kết quả có chính xác hay không.

Hiện tại ba vị trí dẫn đầu lần lượt là:

1. Claude Opus 5 Max + mini-SWE-agent: 43,5%
2. GPT-5.6 Sol Max + Codex: 34,6%
3. Claude Fable 5 + Claude Code: 34,1%

Terminal-Bench 3.0 ra mắt vào ngày 23 tháng 7, mục đích là làm cho bài toán khó hơn. Thành tích của các mô hình tiên tiến phiên bản cũ đã dồn cục lại với nhau, phiên bản mới hy vọng kéo giãn khoảng cách lần nữa. Phiên bản đầu tiên có 74 nhiệm vụ, bao phủ 7 lĩnh vực, đồng thời bổ sung các môi trường phức tạp hơn như GPU, mạng đa container. Nhiệm vụ không chỉ là viết mã, mà còn có thể yêu cầu nộp trọng số mô hình, chứng minh hình thức, bảng tính và tệp CAD.

Tuy nhiên, điều này không thể hiểu trực tiếp rằng bản thân Opus 5 mạnh hơn Sol gần 9 điểm phần trăm. Terminal-Bench cho phép mô hình chạy kết hợp với các Agent khác nhau, ba vị trí dẫn đầu lần lượt sử dụng mini-SWE-agent, Codex và Claude Code. Agent sẽ quyết định cách mô hình gọi công cụ, thực thi lệnh và xử lý ngữ cảnh, do đó bảng xếp hạng đo lường chính xác hơn là năng lực của toàn bộ hệ thống "Mô hình + Agent".

Liên quanĐề xuất
V4-Pro-Max (Chế Độ Năng Lực Suy Luận Cao Nhất) tự xưng là mô hình mã nguồn mở mạnh nhất hiện nay, với chỉ số mã hóa cao cấp, việc suy luận và nhiệm vụ của đại lý đã làm nghiêng biên giới của mã nguồn đóng.
Trong kỷ nguyên an toàn AI, năng lực sẽ tự lan tỏa, nhưng trách nhiệm thì không.
Trong báo cáo tài chính, cái lỗ nhất chính là xAI, chi phí mô hình mới rẻ hơn 25% so với Opus 4.8.
Tăng cường tự kiểm tra và sắp xếp đa tác tử, giúp mô hình trở nên đáng tin cậy hơn.
Báo lỗi/Báo cáo
Gửi
Thêm mới thư viện
Chỉ mình tôi có thể nhìn thấy
Công khai
Lưu
Chọn thư viện
Thêm mới thư viện
Hủy
Hoàn thành