#Terminal-Bench
这个主题在过往早报中的出现记录。深度条目直达研究报告，其余条目回到当日 edition。
- 开发者工具2026-09-12 · 周六重要度 3/5
RTK成本复盘称压缩不等于省钱
Quesma于9月11日发布RTK成本复盘，称在Terminal-Bench 2.1上花费1500美元以上测试后，压缩终端输出未稳定降低AI编程账单。
- Quesma的测试给AI编程成本叙事提供反例。
- 团队需要把token减少、通过率、失败重试和每题平均成本放在同一张表里看。
- 模型评测2026-09-08 · 周二重要度 3/5
单源称AA指数加入业务自动化测试
Artificial Analysis 9月7日在X称 Intelligence Index v4.3 上线，Terminal-Bench升至4.0，并加入AutomationBench-AA。
- 这条信号说明公开模型榜单正在把权重从问答和代码题，移向私有业务流程自动化。
- 由于目前只抓到社交公告，排名和权重变更应等官网说明或榜单快照再升级置信度。
- 评测基准2026-08-29 · 周六重要度 4/5深度报告 →
Terminal-Bench-Science上线科研Agent评测
Terminal-Bench-Science 0.1在8月28日被HN推到讨论流，首版用70项科学工作流评估AI agent。
- 这条的价值在于评测对象从命令行任务扩展到科学家自己的工作流。
- 它让模型能力更接近真实科研产出，但榜单仍需持续任务更新。
- 模型发布2026-08-25 · 周二重要度 5/5深度报告 →
GPT-5.6进入Kiro，成本口径指向Agent编码
OpenAI 8月24日宣布GPT-5.6模型家族已在Kiro可用，并称Terra在Kiro完成Terminal-Bench 2.1成功任务时成本约降低82%。
- 这次更新把价格性能叙事放到软件Agent工作流里验证，价值高于单个模型入口变化。
- 关键限制是数字来自OpenAI与AWS测试，外部尚未看到完整任务集和复现实验。
- 研究论文2026-07-14 · 周二重要度 4/5深度报告 →
LHTB 上榜 HF Daily：长程终端 Agent 仍吃力
Long-Horizon Terminal-Bench 7 月 13 日进入 HF Daily Papers。项目页用 46 个任务和 90 分钟预算展示 18 模型榜单，arXiv 摘要则是 15 模型实验口径。
- 它把 Agent 评测从“最后是否通过”推进到“中途走到哪里”。
- 项目页与 arXiv 摘要的模型数口径不同，深读时必须分开引用。
- 头条2026-06-28 · 周日重要度 5/5深度报告 →
OpenAI 放出 GPT-5.6 三档预览 Sol/Terra/Luna：换了命名体系，Terra 性价比翻倍，但先报备了美国政府
OpenAI 启动 GPT-5.6『有限预览』，用 Sol（旗舰）/Terra（均衡）/Luna（低价）三档能力位替代旧命名——数字代表『代数』，名字代表可独立迭代的『能力档』。定价（每百万 token）：Sol 输入 $5 / 输出 $30，Terra $2.50 / $15，Luna $1 / $6；官方称 Terra 性能对标上代 GPT-5.5 但价格便宜 2 倍。Benchmark 多为 OpenAI 自报：Sol 在 Terminal-Bench 2.1 上创 SOTA，在 ExploitBench 上以约 1/3 输出 tokens 与 Mythos Preview 竞争。新增 max reasoning effort 与借助 subagents 的 ultra 模式；prompt caching 支持显式 cache breakpoints、缓存最短存活 30 分钟、写入按未缓存输入价 1.25x、读取享 90% 折扣。安全上未跨越 Preparedness Framework 的 Cyber Critical 阈值，自动化红队投入超 70 万 A100 等效 GPU 小时。最反常的一点：应美国政府要求，本次先做小范围预览、参与方已报备政府，广泛开放要『未来数周』；7 月将在 Cerebras 上线 Sol，速度最高 750 tokens/秒。