同一个模型，换一个终端工具，跑分能差出一截。Epoch AI 的 Terminal-Bench 2.0 把这件事摆到了台面上：榜单上每个模型只列它表现最好的那次组合，但图表里能看到所有提交过的运行记录。

这不是模型能力的问题，是评测方式的问题。Terminal-Bench 测的是模型能不能用电脑终端把活干完——它得看懂 shell 环境，知道有哪些程序可用，还得清楚电脑当前的状态，包括文件系统和正在跑的进程。

打开网易新闻 查看精彩图片

一道题就是一个文件夹

一个 Terminal-Bench 任务，本质是一个文件夹，里面装着三样东西：一条指令、一个 docker 环境、一个测试脚本。

模型要做的，是在没人明确告诉它步骤的情况下，自己规划并执行完整个流程。这要求的不只是会用命令，还得有连贯性——前一步的结果要能接上后一步的判断。

换句话说，它得先搞清楚自己站在什么位置，再决定往哪走。文件在哪、进程跑到哪了、上一条命令留下了什么，这些都得自己摸清楚。

模型不是一个人在战斗

跑这个基准的模型，都会配一个智能体工具，帮它持续和终端环境交互。素材里点名的有四个：Anthropic 的 Claude Code、OpenAI 的 Codex CLI、Terminus 和 Goose。

正因为工具会左右成绩，榜单报告的是「模型加智能体」这个组合的表现，而不是单看模型。

这里有个容易被忽略的细节：有些工具会强制或动态调整模型使用的推理强度，而这种调整，用户或评测方在这个场景下既没法纠正，也没法说清楚。

也就是说，你看到的分数里，有一部分来自工具替模型做的决定，而不是模型自己的选择。

分数怎么算出来的

榜单上的分数，是题目集里被解决的任务所占的百分比。

这个百分比通常不是跑一次就定，而是把整套题重复跑多轮，再取平均。

Epoch 的图表会展示某个模型提交过的每一次智能体加模型的运行记录，但榜单和模型页面只列每个模型版本表现最好的那个组合。

所以看榜的时候要留个心眼：排在前面的那个数字，是它最好的一次，不是它的平均水平。

想自己复现，代码是开源的

基准的代码放在 Terminal-Bench 的 GitHub 仓库里，数据则来自 Terminal-Bench 2.0 的榜单。

对做智能体的人来说，这套东西的价值不在于排名，而在于它把「模型能不能真的操作一台电脑」拆成了可复现的任务单元。

指令、环境、测试脚本三件套固定下来，换模型、换工具、换推理强度，变量就能被单独拎出来看。同一个模型在不同工具下分数拉开差距，本身就是一条值得追的线索。