lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
ホーム
OPRR
速報
深堀り
イベント
BlockBeats Pro
もっと見る
資金調達情報
特集
オンチェーン生態系
用語
ポッドキャスト
データ
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
Partnered With:

Terminal-Bench 3.0の王者交代:Opus 5が43.5%でGPT-5.6 Solを上回る

動察 Beatingのモニタリングによると、Terminal-Bench 3.0の最新ランキングで首位が交代しました。このベンチマークは、AIエージェントが実際のターミナル環境でタスクを完了し、最終的に結果が正しいかどうかを直接チェックするものです。

現在のトップ3は以下の通りです:

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は7月23日にリリースされ、その目的は問題を再び難しくすることです。旧バージョンのフロンティアモデルのスコアはすでに密集しており、新バージョンでは再び差をつけることを目指しています。初版には74のタスクがあり、7つの分野をカバーし、GPUやマルチコンテナネットワークなどのより複雑な環境も追加されています。タスクはコード作成だけでなく、モデルウェイトの提出、形式証明、スプレッドシート、CADファイルの提出を要求する場合もあります。

ただし、これはOpus 5自体がSolより約9パーセントポイント強いと直接解釈すべきではありません。Terminal-Benchではモデルが異なるエージェントと組み合わせて実行できるため、トップ3はそれぞれmini-SWE-agent、Codex、Claude Codeを使用しています。エージェントはモデルがツールを呼び出す方法、コマンドを実行する方法、コンテキストを処理する方法を決定するため、このランキングはより正確には「モデル + エージェント」のシステム全体の能力を測定しています。

関連おすすめ
V4-Pro-Max(最高推論力モード)は、現在の最強オープンソースモデルとして位置付けられており、エンコードのベンチマークがトップレベルに達しており、推論とエージェントのタスクはプロプライエタリな先端技術との差が著しく縮小しています。
AIセキュリティの時代において、能力は自ずと拡散するが、責任は拡散しない。
財務諸表の中で最も損失を出しているのはxAIで、新モデルのコストはOpus 4.8より25%安い。
自己チェックの強化とマルチエージェントオーケストレーションにより、モデルの信頼性を高める
訂正/通報
送信
新しいライブラリを追加
自分のみが閲覧可
公開
保存
ライブラリを選択
新しいライブラリを追加
キャンセル
完了