À quoi il sert
Terminal-Bench 2.0 servait à noter la tâche Code. Archivé faute de modèle récent mesuré, il ne sert plus qu'à situer les modèles plus anciens sur l'échelle commune.
CodeFiche benchmark · Stanford et Laude Institute · tbench.ai
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.
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 est archivé, faute de modèle récent mesuré.
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
0 %du score général. Terminal-Bench 2.0 est archivé et ne compte plus : la tâche Code (15 % du score général) repose sur 12 autres benchmarks.
En couleur, la tâche Code dans le score général. Terminal-Bench 2.0 n'y a plus de part.
Le classement du benchmark
Scores relevés auprès de 2 sources · édition du45 modèles mesurés, chacun à sa meilleure configuration. « Équivaut à » : le score IA que ce seul résultat donnerait au modèle.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 %65,5
43Gemini 2.5 Flash (Jun 2025)Google DeepMind · 4 configurationsNon précisée · mini-SWE-agent17,1 %65,4
Mesuré avec quels outils
Chaque mesure de ce benchmark est faite avec un outil qui pilote le modèle : Terminus 2 (33 mesures, outil de banc d'essai), mini-SWE-agent (14 mesures, outil de banc d'essai), OpenHands (13 mesures, outil grand public), Codex CLI (7 mesures, outil grand public), Claude Code (5 mesures, outil grand public), Crux (5 mesures, autre agent), Droid (Factory) (5 mesures, outil grand public), Gemini CLI (5 mesures, outil grand public), Xum (ex-Mux) (4 mesures, outil grand public), goose (3 mesures, outil grand public), Letta Code (3 mesures, outil grand public), spoox-o-m (3 mesures, agent de recherche), Capy (2 mesures, autre agent), CodeBrain-1.5 (2 mesures, autre agent), IndusAGI Coding Agent (2 mesures, autre agent), little-coder (2 mesures, autre agent), MAYA-V2 (2 mesures, autre agent), SageAgent (2 mesures, autre agent), Terminus-KIRA (2 mesures, autre agent), TongAgents (2 mesures, agent de recherche), Ante (1 mesure, autre agent), CAMEL-AI (1 mesure, agent de recherche), cchuter (1 mesure, autre agent), clnkr (1 mesure, autre agent), Codelia (1 mesure, autre agent), Dakou Agent (1 mesure, autre agent), Deep Agents (1 mesure, bibliothèque pour développeurs), Grok CLI (1 mesure, outil grand public), Harness Agent (1 mesure, autre agent), hookele (1 mesure, autre agent), II-Agent (1 mesure, autre agent), Junie CLI (1 mesure, outil grand public), Meta-Harness (1 mesure, agent de recherche), NexAU-AHE (1 mesure, autre agent), OpenCode (1 mesure, outil grand public), Simplai Agent (1 mesure, autre agent), Simple Codex (1 mesure, autre agent), WOZCODE (1 mesure, autre agent).
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 9 novembre 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 9 novembre 2026, le benchmark est archivé.
- Combien pèse Terminal-Bench 2.0 dans le score IA ?
- Terminal-Bench 2.0 compte pour 0 % du score général, dans l'édition du 9 novembre 2026. Il est archivé et ne compte plus : la tâche Code (15 % du score général) repose sur 12 autres 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 code292 modèles · 1,25 % du score
- SciCode136 modèles · 1,25 % du score
- WeirdML (v2)130 modèles · 1,25 % du score
- FrontierCode46 modèles · 1,25 % du score
- SWE-bench Verified32 modèles · 1,25 % du score
- GSO30 modèles · 1,25 % du score
- DeepSWE26 modèles · 1,25 % du score
- WeirdML v325 modèles · 1,25 % du score
- GBAEval23 modèles · 1,25 % du score
- FrontierSWE21 modèles · 1,25 % du score
- CursorBench19 modèles · 1,25 % du score
- MirrorCode15 modèles · 1,25 % du score
- Aider Polyglot54 modèles · hors scoreARCHIVÉ
- LiveBench, code48 modèles · hors scoreARCHIVÉ