Terminal-Bench 4.0（Vals AI 复跑）

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

在 AICue 中参与排名

所属领域编程

上游数据时间10/29 08:00

最近成功同步10/30 02:05

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。

同一模型测了多个档位时，按固定规则只取一套代表成绩；没有可用成绩的模型标为“未计入”并写明原因。匿名测试型号不展示，名次照搬原榜，每项最多列 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	kimi/kimi-k3.1-proMoonshot AI	63.6%	Max 推理
4	google/gemini-4-carbonGoogle	63.1%	High 推理
5	openai/gpt-6-astraOpenAI	59.6%	Max 推理
6	anthropic/claude-fable-5-1Anthropic	58.1%	Max 推理
6	meta/muse-wonder-fullMeta	58.1%	Max 推理
8	google/gemini-4-argonGoogle	57.6%	High 推理
9	openai/gpt-6.1-solOpenAI	55.1%	Max 推理
10	anthropic/claude-opus-5Anthropic	53.5%	Max 推理
11	openai/gpt-6.1-terraOpenAI	49.5%	Max 推理
11	meta/muse-wonderMeta	49.5%	Max 推理
13	openai/gpt-6-solOpenAI	44.4%	Max 推理
14	anthropic/claude-fable-5Anthropic	41.4%	Max 推理
15	alibaba/qwen3.8-max-internalAlibaba	38.9%	来源默认配置
15	zai/glm-5.3Z.ai	38.9%	Max 推理
17	openai/gpt-5.6-solOpenAI	37.9%	Max 推理
18	zai/glm-5.3-flashZ.ai	37.4%	Max 推理
19	anthropic/claude-haiku-5-5Anthropic	36.4%	Max 推理
20	alibaba/qwen3.8-maxAlibaba	34.3%	来源默认配置
21	deepseek/deepseek-v4.1-flash-1017DeepSeek	31.8%	Max 推理
21	stepfun/step-5-previewStepFun	31.8%	来源默认配置
23	xiaomi/mimo-v2.6-proXiaomi	31.3%	来源默认配置
24	grok/grok-4.7xAI	28.8%	xHigh 推理
25	mistralai/mistral-large-4Mistral AI	27.8%	High 推理
26	mistralai/mistral-large-4-ossMistral AI	26.3%	High 推理
27	minimax/MiniMax-M3.1-flashMiniMax	25.3%	Max 推理
28	meta/muse_spark_1_3_maxMeta	24.7%	Max 推理
29	xiaomi/mimo-v2.6-flashXiaomi	24.2%	来源默认配置
30	anthropic/claude-opus-4-8Anthropic	23.2%	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；AICue 按公开规则把它们折算成同一种分数。