À quoi il sert
Sur Quelle IA, Terminal-Bench 2.0 sert à noter la tâche Code : c'est l'un de ses 13 benchmarks. Il départage surtout les modèles dont le score IA approche 78.
Comment c'est noté
Part de tâches réussies, en moyenne sur plusieurs passages ; chaque ligne associe un modèle et un harnais (Claude Code, Codex CLI, Terminus).
Ce qu'il ne dit pas
Le harnais compte autant que le modèle : un même modèle change de score selon l'agent qui le pilote. Les données suivent la version 2.0, déjà remplacée sur le site officiel.
Comment lire le score
45 modèles mesurés · 202 mesuresSeuil de saturation : 95 % ↓
0 %50 %GPT-5.5 : 84,7 %100 %
En tête : GPT-5.5, 84,7 %
Chaque trait est un modèle, placé à son meilleur score. Un modèle qui obtient 50 % a un score IA d'environ 78. Le meilleur, GPT-5.5, atteint 84,7 %. Le benchmark sera dit saturé quand un modèle atteindra 95 %.
Ce que ce benchmark attend à chaque niveau
- Score IA 51niveau de GPT-4o (Nov 2024)
- 3 %
- Score IA 76niveau de Claude Sonnet 4.5
- 45 %
- Score IA 100niveau de Claude Opus 5.5
- 94 %
Valeurs lues sur la courbe d'étalonnage du benchmark, qui relie le score publié au score IA. La démarche
Son poids chez nous
1,15 %du score général. Terminal-Bench 2.0 porte 8 % de la tâche Code (15 % du score général), que se partagent 13 benchmarks.
En couleur, la tâche Code dans le score général. En noir, la part de Terminal-Bench 2.0.
Le classement du benchmark
Scores relevés auprès de 2 sources · édition duRangModèleRéflexionScore publiéSuggèreSource
45 modèles mesurés, chacun à sa meilleure configuration. « Suggère » : le score IA que cette seule mesure indique.Voir les 45 →Replier le classement ↑
21MiniMax-M2.7MiniMax · poids ouverts · 2 configurationsNon précisée · IndusAGI Coding Agent45,1 %76,5
36Qwen3-Coder-480B-A35BAlibaba · poids ouverts · 5 configurationsNon précisée · Dakou Agent27,2 %70,2
42Gemini 2.5 Flash (Sep 2025)Google DeepMind · 4 configurationsNon précisée · mini-SWE-agent17,1 %65,4
43Gemini 2.5 Flash (Jun 2025)Google DeepMind · 4 configurationsNon précisée · mini-SWE-agent17,1 %65,4
En bref
- Que mesure Terminal-Bench 2.0 ?
- Mener à bien des tâches dans un terminal : comprendre le système, utiliser les programmes disponibles, enchaîner les commandes jusqu'au résultat. Sur Quelle IA, il est rangé dans la tâche Code.
- Comment Terminal-Bench 2.0 est-il noté ?
- Part de tâches réussies, en moyenne sur plusieurs passages ; chaque ligne associe un modèle et un harnais (Claude Code, Codex CLI, Terminus). Un modèle qui obtient 50 % a un score IA d'environ 78.
- Qui est en tête sur Terminal-Bench 2.0 ?
- GPT-5.5 (OpenAI) est en tête de Terminal-Bench 2.0 avec 84,7 %, dans l'édition du 28 septembre 2026. Suivent GPT-5.4 (81,8 %) et Claude Opus 4.7 (80,2 %). 45 modèles y sont mesurés.
- Quelles sont les limites de Terminal-Bench 2.0 ?
- Le harnais compte autant que le modèle : un même modèle change de score selon l'agent qui le pilote. Les données suivent la version 2.0, déjà remplacée sur le site officiel. Au 28 septembre 2026, le benchmark est actif.
- Combien pèse Terminal-Bench 2.0 dans le score IA ?
- Terminal-Bench 2.0 compte pour 1,15 % du score général, dans l'édition du 28 septembre 2026. Il porte 8 % de la tâche Code (15 % du score général), que se partagent 13 benchmarks.
- Qui maintient Terminal-Bench 2.0 ?
- Stanford et Laude Institute. Sa page de référence : tbench.ai.
Les autres benchmarks de la tâche Code
- Arena, questions de code275 modèles · 1,15 % du score
- WeirdML (v2)129 modèles · 1,15 % du score
- SciCode120 modèles · 1,15 % du score
- FrontierCode37 modèles · 1,15 % du score
- SWE-bench Verified32 modèles · 1,15 % du score
- DeepSWE26 modèles · 1,15 % du score
- GSO26 modèles · 1,15 % du score
- GBAEval23 modèles · 1,15 % du score
- FrontierSWE16 modèles · 1,15 % du score
- CursorBench13 modèles · 1,15 % du score
- WeirdML v311 modèles · 1,15 % du score
- MirrorCode9 modèles · 1,15 % du score
- Aider Polyglot54 modèles · hors scoreARCHIVÉ
- LiveBench, code48 modèles · hors scoreARCHIVÉ