Terminal-Bench 3.0换王：Opus 5以43.5%压过GPT-5.6 Sol

BiRun 讯，Terminal-Bench 3.0 最新榜单换王。这个评测让 AI Agent 在真实终端环境里完成任务，最后直接检查结果是否正确。

当前前三名分别是：

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 在 7 月 23 日上线，目的就是把题重新做难。旧版前沿模型的成绩已经挤在一起，新版本希望重新拉开差距。首版有 74 道任务，覆盖 7 个领域，还加入 GPU、多容器网络等更复杂环境。任务也不只是写代码，还可能要求提交模型权重、形式化证明、电子表格和 CAD 文件。

不过，这不能直接理解成 Opus 5 本身比 Sol 强近 9 个百分点。Terminal-Bench 允许模型搭配不同 Agent 运行，前三名分别用了 mini-SWE-agent、Codex 和 Claude Code。Agent 会决定模型怎么调用工具、执行命令和处理上下文，因此榜单更准确测的是「模型 + Agent」整套系统的能力。

Terminal-Bench 3.0