什么是 Terminal-Bench？

腾讯论文通过递归自我改进方法使终端代理性能提升超200%，Terminal-Bench测试集表现从20.68%跃升至50.58%。

Harbor结合Docker Sandboxes提供安全、可重复的代理评估环境，支持本地和云部署。

上下文压缩策略可能显著影响LLM代理性能，某些策略虽减少token却导致运行时间增加。

DeepSeek V4-Flash 0731通过微调实现性能跃升，成本降低60%，但未改变架构。

DeepSeek V4 Flash在AI Gateway更新权重后Terminal-Bench得分提升至82.7，增强代理能力且无需代码修改。

OpenAI 推出 GPT 5.6 系列模型，包含 Soul、Terror 和 Luna，Soul 超越 Claude Mythos 5 在终端任务表现。

Fireworks AI 已上线 GLM 5.2 模型，支持 1M-token 上下文，专注于代码生成，并在多个基准测试中表现优异。

Google 发布 Gemini 3.5 模型家族，首发 3.5 Flash 专注于复杂智能体工作流，在编码和代理基准测试中超越 3.1 Pro，速度比前沿模型快 4 倍，在 Antigravity 中优化后可达 12 倍。

Thomas Wolf is excited about the extension of Terminal-Bench to scientific fields, known as Terminal-Bench Science. This benchmark evaluates AI models' ability to control tools via the command line to achieve scientific goals. It's open for contributions of real scientific workflows until August 2026, aiming to improve AI models' assistance in research work.

Harness 是构建 AI Agent 的核心基础设施，由工具、执行环境、系统提示词和文件系统组成。通过优化 Harness 工程（如调整上下文和提示词），开发者可以在不更换底层模型的情况下显著提升 Agent 在特定基准测试（如 Terminal Bench）中的性能。