Terminal-Bench Science
Harbor / Travail professionnel · Réaliser des tâches de recherche dans un terminal
Ce qu'il mesure, comment il le mesure
Distinguer les systèmes tels que Claude Code, Codex et mini-SWE ; les scores de systèmes différents ne peuvent pas être pris directement pour la capacité du modèle.
Comment utiliser ces preuves
Sous observation : 12 modèles avec des systèmes d'exécution mixtes ; les nouveaux modèles de pointe sont encore incomplets.
Limites de l'évaluation et attribution des données
Sous observation : 12 modèles avec des systèmes d'exécution mixtes ; les nouveaux modèles de pointe sont encore incomplets.
Licence des données :Limites d'usage des données du classement à confirmer
Résultats publiés par Harbor ; les scores bruts de chaque épreuve utilisent des échelles différentes et ne peuvent pas être additionnés directement ; le rang de référence applique des règles publiques de normalisation des écarts.