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。