ベンチマーク / Terminal-Bench 4.0

Terminal-Bench 4.0

コーディング・高いほど良い

このベンチマークとは

ターミナル上で、ソフトウェア・機械学習・科学・運用・セキュリティ・ハードウェア・メディアなど複雑な多段階作業をやり切れるかを測る評価。

実際にコマンドを実行して作業を完了できるか。エージェントのハーネス（実行環境）や試行回数で結果が変わり、標準誤差は±2〜3pt程度。数pt差は誤差の範囲。

＊＝開発元の自社発表。出典（表）ごとに分けています。同じ表の値どうしは同じ条件で比べられます。

Opus 5.5 は max effort（Terminal-Bench は xhigh）。本番セーフガード有効のため一部で不利。

比較表の他社モデル数値は OpenAI が掲載したもの。各社最大 effort の値。

2026-09-07 の発表時点の数値。最新値はリーダーボードを参照。

2026年10月時点。比較表の他社数値は Google が掲載したもの。

Anthropic の発表表を二次サイトが転載したもの。公式発表での再確認が必要。Terminal-Bench は max effort。