Aller au contenu
EN 4 QUESTIONSTrouver mon modèle
Outils · édition du

Le même modèle, des outils différents

Un modèle d'IA ne code pas seul : un outil le pilote, choisit ce qu'il lui montre et les commandes qu'il peut lancer. Sur Terminal-Bench, un même modèle gagne jusqu'à 21,6 points selon l'outil. Voici ces écarts mesure par mesure, avec leurs limites.

En bref

Un même modèle change-t-il de score selon l'outil qui le pilote ?
Oui, et de beaucoup. Sur Terminal-Bench 2.0, 30 modèles ont été mesurés dans au moins deux outils ; le plus grand écart, 21,6 points, concerne Claude Haiku 4.5. L'outil décide de ce que voit le modèle, des commandes qu'il peut lancer et du temps qu'il y passe.
Quel outil grand public s'en sort le mieux ?
Aucun n'est en tête partout. Sur un même modèle, les meilleurs scores reviennent souvent à des agents faits pour le classement. Parmi les outils qu'on installe soi-même, 15 ont des mesures : la vue « Par outil » donne leur place modèle par modèle.
D'où viennent ces mesures ?
Du classement public de Terminal-Bench, repris par Epoch AI dans ses fichiers « external ». Chaque équipe y soumet sa propre mesure. 7 mesures reprises par Epoch ont depuis quitté le classement officiel : elles sont citées à part.

Comparer

Chaque barre est une mesure publiée du même modèle sur le même benchmark, avec un outil différent. Les outils qu'on installe soi-même sont en jaune. Sous chaque barre figurent la date de sortie du modèle, son niveau de réflexion quand il est connu et la source. Le classement Terminal-Bench ne publie pas la date de la mesure elle-même.

Terminal-Bench 2.0

30 modèles mesurés dans au moins deux outils, du plus grand nombre d'outils au plus petit. Classement tenu par Stanford et Laude Institute.

Claude Opus 4.6 sur Terminal-Bench 2.0

10 outils · écart de 18,4 points
  1. Meta-Harness (agent de recherche)76,4 %
  2. Capy (autre agent)75,3 %
  3. Terminus-KIRA (autre agent)74,7 %
  4. MAYA-V2 (autre agent)72,1 %
  5. TongAgents (agent de recherche)71,9 %
  6. Droid (Factory) (outil grand public)69,9 %
  7. Crux (autre agent)66,9 %
  8. Xum (ex-Mux) (outil grand public)66,5 %
  9. Terminus 2 (outil de banc d'essai)62,9 %
  10. Claude Code (outil grand public)58,0 %

agent de rechercheautre agentoutil grand publicoutil de banc d'essai

Modèle sorti le 5 février 2026 · source : tbench.ai

Retirée du classement : ForgeCode, 79,8 %. Les trois lignes de ForgeCode figurent au classement Terminal-Bench 2.0 jusqu'au 13 mai 2026 et n'y sont plus à partir du 19 mai 2026. Le 19 avril 2026, l'équipe du classement écrivait avoir remis à zéro des essais où l'agent de ForgeCode récupérait la solution sur Internet. copie du 13/05/2026 · copie du 19/05/2026 · annonce du classement

GPT-5.3 Codex sur Terminal-Bench 2.0

9 outils · écart de 13,7 points
  1. SageAgent (autre agent)78,4 %
  2. Droid (Factory) (outil grand public)77,3 %
  3. CodeBrain-1.5 (autre agent)75,8 %
  4. Codelia (autre agent)75,7 %
  5. Simple Codex (autre agent)75,1 %
  6. Xum (ex-Mux) (outil grand public)74,6 %
  7. spoox-o-m (agent de recherche)71,5 %
  8. IndusAGI Coding Agent (autre agent)69,1 %
  9. Terminus 2 (outil de banc d'essai)64,7 %

autre agentoutil grand publicagent de rechercheoutil de banc d'essai

Modèle sorti le 5 février 2026 · source : tbench.ai

Retirée du classement : CodeBrain-1, 70,3 %. Ligne présente jusqu'au 13 mai 2026 ; le 19 mai 2026, le classement montre à sa place CodeBrain-1.5 avec GPT-5.3 Codex, à 75,8 %. copie du 13/05/2026 · copie du 19/05/2026

Claude Opus 4.5 sur Terminal-Bench 2.0

8 outils · écart de 11,5 points
  1. Droid (Factory) (outil grand public)63,1 %
  2. Letta Code (outil grand public)59,1 %budget de réflexion fixé
  3. Xum (ex-Mux) (outil grand public)58,4 %
  4. Terminus 2 (outil de banc d'essai)57,8 %
  5. goose (outil grand public)54,3 %
  6. Claude Code (outil grand public)52,1 %
  7. OpenHands (outil grand public)51,9 %
  8. OpenCode (outil grand public)51,7 %

outil grand publicoutil de banc d'essai

Modèle sorti le 24 novembre 2025 · source : tbench.ai

Gemini 3 Pro sur Terminal-Bench 2.0

7 outils · écart de 13,5 points
  1. Ante (autre agent)69,4 %
  2. SageAgent (autre agent)65,2 %
  3. CodeBrain-1.5 (autre agent)62,2 %
  4. II-Agent (autre agent)61,8 %
  5. Droid (Factory) (outil grand public)61,1 %
  6. Terminus 2 (outil de banc d'essai)56,9 %
  7. Letta Code (outil grand public)56,0 %

autre agentoutil grand publicoutil de banc d'essai

Modèle sorti le 18 novembre 2025 · source : tbench.ai

Claude Sonnet 4.5 sur Terminal-Bench 2.0

7 outils · écart de 6,5 points
  1. CAMEL-AI (agent de recherche)46,5 %
  2. goose (outil grand public)43,1 %
  3. Terminus 2 (outil de banc d'essai)42,8 %
  4. MAYA-V2 (autre agent)42,7 %
  5. OpenHands (outil grand public)42,6 %
  6. mini-SWE-agent (outil de banc d'essai)42,5 %
  7. Claude Code (outil grand public)40,1 %

agent de rechercheoutil grand publicoutil de banc d'essaiautre agent

Modèle sorti le 29 septembre 2025 · source : tbench.ai

Claude Haiku 4.5 sur Terminal-Bench 2.0

5 outils · écart de 21,6 points
  1. goose (outil grand public)35,5 %
  2. mini-SWE-agent (outil de banc d'essai)29,8 %
  3. Terminus 2 (outil de banc d'essai)28,3 %
  4. Claude Code (outil grand public)27,5 %
  5. OpenHands (outil grand public)13,9 %

outil grand publicoutil de banc d'essai

Modèle sorti le 15 octobre 2025 · source : tbench.ai

GPT-5 nano sur Terminal-Bench 2.0

5 outils · écart de 14,8 points
  1. spoox-o-m (agent de recherche)21,8 %
  2. Codex CLI (outil grand public)11,5 %réflexion moyenne
  3. OpenHands (outil grand public)9,9 %réflexion moyenne
  4. Terminus 2 (outil de banc d'essai)7,9 %réflexion moyenne
  5. mini-SWE-agent (outil de banc d'essai)7,0 %réflexion moyenne

agent de rechercheoutil grand publicoutil de banc d'essai

Modèle sorti le 7 août 2025 · source : tbench.ai

GPT-5 mini sur Terminal-Bench 2.0

5 outils · écart de 12,6 points
  1. spoox-o-m (agent de recherche)34,8 %
  2. Codex CLI (outil grand public)31,9 %réflexion moyenne
  3. OpenHands (outil grand public)29,2 %réflexion moyenne
  4. Terminus 2 (outil de banc d'essai)24,0 %réflexion moyenne
  5. mini-SWE-agent (outil de banc d'essai)22,2 %réflexion moyenne

agent de rechercheoutil grand publicoutil de banc d'essai

Modèle sorti le 7 août 2025 · source : tbench.ai

GPT-5.5 sur Terminal-Bench 2.0

4 outils · écart de 18,7 points
  1. NexAU-AHE (autre agent)84,7 %
  2. Capy (autre agent)83,1 %
  3. Codex CLI (outil grand public)82,2 %1 autre soumission à 82,0 %
  4. clnkr (autre agent)66,1 %

autre agentoutil grand public

Modèle sorti le 23 avril 2026 · source : tbench.ai

Gemini 2.5 Pro (Jun 2025) sur Terminal-Bench 2.0

4 outils · écart de 16,2 points
  1. Terminus 2 (outil de banc d'essai)32,6 %
  2. mini-SWE-agent (outil de banc d'essai)26,1 %
  3. Gemini CLI (outil grand public)19,6 %
  4. OpenHands (outil grand public)16,4 %

outil de banc d'essaioutil grand public

Modèle sorti le 17 juin 2025 · source : tbench.ai

GPT-5 sur Terminal-Bench 2.0

4 outils · écart de 15,7 points
  1. Codex CLI (outil grand public)49,6 %réflexion moyenne
  2. OpenHands (outil grand public)43,8 %réflexion moyenne
  3. Terminus 2 (outil de banc d'essai)35,2 %réflexion moyenne
  4. mini-SWE-agent (outil de banc d'essai)33,9 %réflexion moyenne

outil grand publicoutil de banc d'essai

Modèle sorti le 7 août 2025 · source : tbench.ai

GPT-5.2 sur Terminal-Bench 2.0

4 outils · écart de 10,9 points
  1. Droid (Factory) (outil grand public)64,9 %réflexion moyenne
  2. Codex CLI (outil grand public)62,9 %réflexion moyenne
  3. Xum (ex-Mux) (outil grand public)60,7 %
  4. Terminus 2 (outil de banc d'essai)54,0 %

outil grand publicoutil de banc d'essai

Modèle sorti le 11 décembre 2025 · source : tbench.ai

Claude Opus 4.1 sur Terminal-Bench 2.0

4 outils · écart de 3,1 points
  1. Terminus 2 (outil de banc d'essai)38,0 %
  2. OpenHands (outil grand public)36,9 %
  3. mini-SWE-agent (outil de banc d'essai)35,1 %
  4. Claude Code (outil grand public)34,8 %

outil de banc d'essaioutil grand public

Modèle sorti le 5 août 2025 · source : tbench.ai

Gemini 2.5 Flash (Sep 2025) sur Terminal-Bench 2.0

4 outils · écart de 1,7 point
  1. mini-SWE-agent (outil de banc d'essai)17,1 %modèle sorti le 3 novembre 2025
  2. Terminus 2 (outil de banc d'essai)16,9 %modèle sorti le 31 octobre 2025
  3. OpenHands (outil grand public)16,4 %modèle sorti le 2 novembre 2025
  4. Gemini CLI (outil grand public)15,4 %modèle sorti le 4 novembre 2025

outil de banc d'essaioutil grand public

source : tbench.ai

Gemini 2.5 Flash (Jun 2025) sur Terminal-Bench 2.0

4 outils · écart de 1,6 point
  1. mini-SWE-agent (outil de banc d'essai)17,1 %
  2. Terminus 2 (outil de banc d'essai)16,9 %
  3. OpenHands (outil grand public)16,4 %
  4. Gemini CLI (outil grand public)15,4 %

outil de banc d'essaioutil grand public

Modèle sorti le 17 juin 2025 · source : tbench.ai

GPT-5.1-Codex sur Terminal-Bench 2.0

3 outils · écart de 20,9 points
  1. Crux (autre agent)57,8 %
  2. Letta Code (outil grand public)53,5 %
  3. Terminus 2 (outil de banc d'essai)36,9 %

autre agentoutil grand publicoutil de banc d'essai

Modèle sorti le 12 novembre 2025 · source : tbench.ai

Retirée du classement : Codex CLI, 57,8 %. Lignes présentes au classement du 26 décembre 2025 au 20 février 2026, absentes à partir du 10 mars 2026. copie du 20/02/2026 · copie du 10/03/2026

Gemini 3.1 Pro sur Terminal-Bench 2.0

3 outils · écart de 18,8 points
  1. TongAgents (agent de recherche)80,2 %
  2. Terminus-KIRA (autre agent)74,8 %
  3. Gemini CLI (outil grand public)61,4 %

agent de rechercheautre agentoutil grand public

Modèle sorti le 19 février 2026 · source : tbench.ai

Retirée du classement : ForgeCode, 78,4 %. Les trois lignes de ForgeCode figurent au classement Terminal-Bench 2.0 jusqu'au 13 mai 2026 et n'y sont plus à partir du 19 mai 2026. Le 19 avril 2026, l'équipe du classement écrivait avoir remis à zéro des essais où l'agent de ForgeCode récupérait la solution sur Internet. copie du 13/05/2026 · copie du 19/05/2026 · annonce du classement

Gemini 3 Flash sur Terminal-Bench 2.0

3 outils · écart de 16,9 points
  1. Junie CLI (outil grand public)64,3 %
  2. Terminus 2 (outil de banc d'essai)51,7 %
  3. Gemini CLI (outil grand public)47,4 %

outil grand publicoutil de banc d'essai

Modèle sorti le 17 décembre 2025 · source : tbench.ai

Retirée du classement : Gemini CLI, 51,0 %. Ligne présente jusqu'au 10 mars 2026, remplacée par la mesure à 47,4 % (ligne du 6 mars 2026), seule restée au classement. copie du 10/03/2026 · copie du 15/03/2026

Grok 4 sur Terminal-Bench 2.0

3 outils · écart de 4,0 points
  1. OpenHands (outil grand public)27,2 %
  2. mini-SWE-agent (outil de banc d'essai)25,4 %
  3. Terminus 2 (outil de banc d'essai)23,1 %

outil grand publicoutil de banc d'essai

Modèle sorti le 9 juillet 2025 · source : tbench.ai

Qwen3-Coder-480B-A35B sur Terminal-Bench 2.0

3 outils · écart de 3,3 points
  1. Dakou Agent (autre agent)27,2 %
  2. OpenHands (outil grand public)25,4 %
  3. Terminus 2 (outil de banc d'essai)23,9 %

autre agentoutil grand publicoutil de banc d'essai

Modèle sorti le 22 juillet 2025 · source : tbench.ai

GPT-5-Codex sur Terminal-Bench 2.0

3 outils · écart de 3,0 points
  1. Codex CLI (outil grand public)44,3 %
  2. Terminus 2 (outil de banc d'essai)43,4 %
  3. mini-SWE-agent (outil de banc d'essai)41,3 %

outil grand publicoutil de banc d'essai

Modèle sorti le 15 septembre 2025 · source : tbench.ai

GPT-5.1-Codex-mini sur Terminal-Bench 2.0

2 outils · écart de 18,4 points
  1. hookele (autre agent)61,6 %
  2. Crux (autre agent)43,1 %

autre agent

Modèle sorti le 12 novembre 2025 · source : tbench.ai

Retirée du classement : Codex CLI, 43,1 %. Lignes présentes au classement du 26 décembre 2025 au 20 février 2026, absentes à partir du 10 mars 2026. copie du 20/02/2026 · copie du 10/03/2026

grok-code-fast-1 sur Terminal-Bench 2.0

2 outils · écart de 11,7 points
  1. mini-SWE-agent (outil de banc d'essai)25,8 %
  2. Terminus 2 (outil de banc d'essai)14,2 %

outil de banc d'essai

Modèle sorti le 28 août 2025 · source : tbench.ai

MiniMax-M2.1 sur Terminal-Bench 2.0

2 outils · écart de 7,4 points
  1. Crux (autre agent)36,6 %
  2. Terminus 2 (outil de banc d'essai)29,2 %

autre agentoutil de banc d'essai

Modèle sorti le 23 décembre 2025 · source : tbench.ai

gpt-oss-120b sur Terminal-Bench 2.0

2 outils · écart de 4,5 points
  1. Terminus 2 (outil de banc d'essai)18,7 %
  2. mini-SWE-agent (outil de banc d'essai)14,2 %

outil de banc d'essai

Modèle sorti le 5 août 2025 · source : tbench.ai

MiniMax-M2.7 sur Terminal-Bench 2.0

2 outils · écart de 2,1 points
  1. IndusAGI Coding Agent (autre agent)45,1 %
  2. Harness Agent (autre agent)42,9 %

autre agent

Modèle sorti le 18 mars 2026 · source : tbench.ai

Kimi K2 (Jul 2025) sur Terminal-Bench 2.0

2 outils · écart de 1,0 point
  1. Terminus 2 (outil de banc d'essai)27,8 %
  2. OpenHands (outil grand public)26,7 %

outil de banc d'essaioutil grand public

Modèle sorti le 11 juillet 2025 · source : tbench.ai

MiniMax-M2.5 sur Terminal-Bench 2.0

2 outils · écart de 0,4 point
  1. cchuter (autre agent)42,7 %
  2. Terminus 2 (outil de banc d'essai)42,2 %

autre agentoutil de banc d'essai

Modèle sorti le 12 février 2026 · source : tbench.ai

gpt-oss-20b sur Terminal-Bench 2.0

2 outils · écart de 0,3 point
  1. mini-SWE-agent (outil de banc d'essai)3,4 %
  2. Terminus 2 (outil de banc d'essai)3,1 %

outil de banc d'essai

Modèle sorti le 5 août 2025 · source : tbench.ai

GLM-4.7 sur Terminal-Bench 2.0

2 outils · écart de 0,1 point
  1. Terminus 2 (outil de banc d'essai)33,4 %
  2. Crux (autre agent)33,3 %

outil de banc d'essaiautre agent

Modèle sorti le 22 décembre 2025 · source : tbench.ai

Par outil

Ce que chaque outil grand public obtient selon le modèle, sur tous les benchmarks qui le citent. « 2e sur 8 » : sa place parmi les outils qui ont piloté le même modèle sur le même benchmark.

Ce qu'on compare, et ses limites

Ici, un outil est le programme qui pilote le modèle, qu'on appelle harnais dans les bancs d'essai : il lui donne la tâche, exécute ses commandes, lui renvoie le résultat et décide quand s'arrêter. Changer d'outil change ce que le modèle peut faire. Ces chiffres disent ce qu'un outil a obtenu un jour donné avec un modèle donné. Ils ne classent pas les outils.

Sources

Ces mesures arrivent par les fichiers « external » d'Epoch AI, qui reprennent les classements de leurs auteurs. Epoch précise que ces données gardent la licence de leur source : on vérifie donc chez chaque classement ce qu'on a le droit d'en reprendre. Fichiers d'Epoch AI, édition du 9 novembre 2026. Un registre public range les noms d'outils, souvent écrits de plusieurs façons au classement (règles de fusion, liens déclarés) : 53 écritures ramenées à 45 outils, et 70 doublons de saisie écartés.

Tous les outils →Terminal-Bench 2.0 →Le classement des modèles pour coder →

Cette page existe aussi en texte et en JSON, avec chaque mesure, sa source et les écritures d'origine.