Terminal-Bench 3.0换王：Opus 5以43.5%压过GPT-5.6 Sol

王大锤 2026-08-12 16:56 1

Terminal-Bench 3.0 最新榜单换王。这个评测让 AI Agent 在真实终端环境里完成任务，最后直接检查结果是否正确。

当前前三名分别是：

Claude Opus 5 Max + mini-SWE-agent：43.5%

GPT-5.6 Sol Max + Codex：34.6%

Claude Fable 5 + Claude Code：34.1%

Terminal-Bench 3.0 在 7 月 23 日上线，目的就是把题重新做难。旧版前沿模型的成绩已经挤在一起，新版本希望重新拉开差距。首版有 74 道任务，覆盖 7 个领域，还加入 GPU、多容器网络等更复杂环境。任务也不只是写代码，还可能要求提交模型权重、形式化证明、电子表格和 CAD 文件。

不能直接理解成 Opus 5 本身比 Sol 强近 9 个百分点。Terminal-Bench 允许模型搭配不同 Agent 运行，前三名分别用了 mini-SWE-agent、Codex 和 Claude Code。Agent 会决定模型怎么调用工具、执行命令和处理上下文，因此榜单更准确测的是「模型 + Agent」整套系统的能力。

最新回复 (13)

fengchris 08-12 16:58

1楼

国产模型有待加油两位数的都没有啊
neteroster 08-12 17:02

2楼

我还是觉得 opus 5 > fable5 实在是很幽默的一个结果（贬义的）

而且为什么没有Claude code+ opus5 的结果呢，而是只放 mini-swe-agent，这很有意思
王大锤楼主 08-12 17:02

3楼

我也觉得，Opus5不如fable5的一根毛，Opus5不停的兜底，不看名称，我还以为用上GPT5.5呢
lueluelue 08-12 17:03

4楼

Terminal Bench 3 是那个 Frontier Bench 改名吗
王大锤楼主 08-12 17:04

5楼

是的，刚改的，改回 Terminal-Bench 3.0
IkedaTeresa 08-12 17:06

6楼

是的, (formerly Frontier-Bench), 这家我感觉有点A/御用的意思了. ^-^
jkcqw 08-12 17:06

7楼

opus5在terminal-bench上确实猛，不过这个榜单跟A/关系太近了参考价值打折。实际干活还是得看自己场景，榜单分数不等于实战体验
lueluelue 08-12 17:08

8楼

我记得他们以前给出过一个例子，是剥夺了模型的多模态能力，然后让模型去一块一块像素扫，最终拼出来答案。（具体细节我忘了帖子好像是在X上刷到的）我就感觉这种任务很神奇，正经模型不应该弹一个question问用户没有多模态怎么做吗^-^然后他们说，Opus 5直接硬干
kevin 08-12 17:08

9楼

说实话我也觉得Opus5>fable很幽默，Opus5有种莫名的倔强，说他错了还不承认
lueluelue 08-12 17:09

10楼

就感觉他家的命名也很迷。我感觉这个Opus不应该叫5，应该叫5.1，这样起码能让大家对Fable 5.1有信心^-^
朱慧月 08-12 17:28

11楼

有点搞了，感觉成通用测试了 ^-^ 原来喜欢拿tb2.1测swe
Q A 08-12 18:03

12楼

这个跑一次要花不少钱啊，一次几十亿token
Divergence 08-12 22:07

13楼

我个人体感觉得 DeepSWE 和日用场景比较接近