評価ソース公式サイト
Terminal-Bench Science
Harbor / 専門業務 · ターミナルで研究タスクを完了する
AIサイシン での扱い観察中
配分採点対象外
元データの日時未確認
最終同期収集前
何を、どう測るか
Claude Code、Codex、mini-SWE などのシステムを区別する。異なるシステムの成績をそのままモデルの能力とみなすことはできない。
当サイトでの使い方
観察中：12 モデルで実行システムが混在し、新しい最先端モデルもまだそろっていない。
評価の限界とデータの出典
観察中：12 モデルで実行システムが混在し、新しい最先端モデルもまだそろっていない。
データライセンス：ランキングデータの利用範囲は確認待ち
成績は Harbor が公表したもの。元のスコアと AIサイシン のコンセンサス指数は尺度が異なり、そのまま比較・合算はできない。