基准更新概览
Terminal-Bench 4.0 已完成校准升级，重点调整了 Agent 执行任务时的时间、CPU 及内存计量，并修复了 19 个任务，移除 8 个存在饱和或质量缺陷的任务。所有任务最长执行时间统一至 8 小时，以减少环境干扰对评分的影响。
最新排名动态
在最新榜单中，Opus 5 + Claude Code 以 51.8% 的准确率位列第一，Fable 5 以 44.5% 紧随其后。GLM-5.3 + Claude Code 凭借 41.8% 的成绩上升至第三名，成功超越 GPT-5.6 Sol + Codex（37.3%）。值得注意的是，GLM-5.3 是前三名中唯一非 Anthropic 出品的模型。
版本对比
相较 Terminal-Bench 3.0，GLM-5.3 的排名由第四名（32.4%）升至第三名，并反超此前领先的 GPT-5.6 Sol（原 34.6%）4.5 个百分点，进步显著。
