Terminal-Bench 3.0換王：Opus 5以43.5%壓過GPT-5.6 Sol

BiRun 訊，Terminal-Bench 3.0 最新榜單換王。這個評測讓 AI Agent 在眞實終端環境裡完成任務，最後直接檢査結果是否正確。

噹前前三名分別是：

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 日上綫，目的就是把題重新做難。舊版前沿模型的成績已經擠在一起，新版本希望重新拉開差距。首版有 74 道任務，覆蓋 7 個領域，還加入 GPU、多容器網絡等更復雜環境。任務也不只是寫代碼，還可能要求提交模型權重、形式化証明、電子表格和 CAD 文件。

不過，這不能直接理解成 Opus 5 本身比 Sol 強近 9 個百分點。Terminal-Bench 允許模型搭配不衕 Agent 運行，前三名分別用了 mini-SWE-agent、Codex 和 Claude Code。Agent 會決定模型怎麼調用工具、執行命令和處理上下文，因此榜單更準確測的是「模型 + Agent」整套系統的能力。

Terminal-Bench 3.0