Terminal-Bench 4.0（Vals AI 复跑）

Name: Terminal-Bench 4.0（Vals AI 复跑）
Creator: Vals AI

Vals AI / 编程 · Vals 用同一套 Agent 流程给所有模型复跑 Terminal-Bench 4.0。

在 AIHOT 中参与排名

所属领域编程

上游数据时间10/01 08:00

最近成功同步10/04 20:24

它测什么，怎么测

取 Vals 专项页 Overall 通过率。同一型号按最高推理档位选代表配置，选择不看分数。

计分：编程领域，与 AA 复跑的 Terminal-Bench 4.0 同属一类，两家合起来算一票。

按固定规则，每个公开模型采用一套代表配置；没有可采用配置的模型标为未计入并写明原因。匿名测试型号不展示，保留原榜名次，每项最多 30 个。

原榜名次	原榜型号	原始成绩	代表配置
1	anthropic/claude-opus-5-5Anthropic	65.2%	Max 推理
2	anthropic/claude-sonnet-5-5Anthropic	64.1%	Max 推理
3	openai/gpt-6-astraOpenAI	59.6%	Max 推理
4	anthropic/claude-fable-5-1Anthropic	58.1%	Max 推理
5	google/gemini-4-argonGoogle	57.6%	High 推理
6	openai/gpt-6.1-solOpenAI	55.1%	Max 推理
7	anthropic/claude-opus-5Anthropic	53.5%	Max 推理
8	openai/gpt-6-solOpenAI	44.4%	Max 推理
9	anthropic/claude-fable-5Anthropic	41.4%	Max 推理
10	zai/glm-5.3Z.ai	38.9%	Max 推理
11	openai/gpt-5.6-solOpenAI	37.9%	Max 推理
12	alibaba/qwen3.8-maxAlibaba	34.3%	来源默认配置
13	stepfun/step-5-previewStepFun	31.8%	来源默认配置
14	xiaomi/mimo-v2.6-proXiaomi	31.3%	来源默认配置
15	grok/grok-4.7xAI	28.8%	xHigh 推理
16	meta/muse_spark_1_3_maxMeta	24.7%	Max 推理
17	xiaomi/mimo-v2.6-flashXiaomi	24.2%	来源默认配置
18	anthropic/claude-opus-4-8Anthropic	23.2%	Max 推理
19	openai/gpt-5.6-terraOpenAI	22.7%	Max 推理
20	deepseek/deepseek-v4.1-flashDeepSeek	19.7%	High 推理
20	fireworks/ember-1Fireworks AI	19.7%	来源默认配置
22	google/gemini-3.8-flashGoogle	19.2%	High 推理
23	deepseek/deepseek-v4-flash-0731DeepSeek	18.7%	High 推理
24	kimi/kimi-k3Moonshot AI	17.2%	Max 推理
24	grok/grok-4.6xAI	17.2%	High 推理
26	deepseek/deepseek-v4-pro-0813DeepSeek	14.1%	Max 推理
27	openai/gpt-6-lunaOpenAI	13.6%	Max 推理
28	google/gemini-3.7-flashGoogle	12.1%	High 推理
29	openai/gpt-5.6-lunaOpenAI	11.6%	Max 推理
30	deepseek/deepseek-v4-proDeepSeek	11.1%	Max 推理

评测局限与数据署名

Vals 公布每次运行有多少题被厂商接口转给了同厂商的旧型号：有回退的成绩照常计入并在模型页标注，受影响题目过半的不计。同属 Vals 的几项评测不能当作多家独立机构。

数据许可：官方公开结果；公开再展示保留官方署名，完整再分发授权仍以 Vals 条款为准

成绩由 Vals AI 发布。各项评测的原始分数尺度不同，不能直接相加；AIHOT 按公开规则把它们换算到同一条能力刻度上。