Terminal-Bench 4.0：GLM-5.3冲到第三，超过GPT-5.6 Sol

动察 Beating AI 快讯，Terminal-Bench 发布 4.0，重新校准 Agent 执行任务时的时间、CPU 和内存，并修复 19 个任务、移除 8 个存在饱和、拒答、公开解法或质量问题的任务。所有任务的最长执行时间统一到 8 小时，主要是减少超时和环境问题对成绩的干扰。 最新榜单里，Opus 5 + Claude Code 以 51.8% 排第一，Fable 5 以 44.5% 第二。GLM-5.3 + Claude Code 拿到 41.8%，冲到第三，超过 GPT-5.6 Sol + Codex 的 37.3%。前三名里，GLM-5.3 是唯一不是 Anthropic 的模型。 在 Terminal-Bench 3.0 中，GLM-5.3 还是 32.4% 排第四，落后 GPT-5.6 Sol 的 34.6%；到了 4.0，GLM-5.3 升到第三，反过来领先 Sol 4.5 个百分点。

「查看原文」