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".
