Terminal-Bench 2.1
ثلاثة أرقام في المركز الأول — بأيّها تثق
الاختبار القياسي نفسه، لكن اللوحة الرسمية وArtificial Analysis وvals.ai تتوّج كل منها فائزًا مختلفًا. الفارق ليس تلاعبًا بالنتائج، بل يعود إلى أداة الاختبار ومستوى الجهد وتواريخ اللقطات.
آخر تحديث 2026-11-14
ما وراء لوحة الصدارة — مفتاح واحد لتقييم Claude وGPT والنماذج الصينية بنفسك.
- الفوترة حسب token — الأسعار المباشرة على /models
- الدفع بالبطاقة (Visa / Mastercard) أو Apple Pay أو Google Pay أو العملات الرقمية
- خدمة ذاتية: شحن الرصيد والتفعيل فورًا
المتصدّرون الثلاثة
اللوحة الرسمية · Claude Code × Fable 5
tbench.ai، إدخال تركيبة الوكيل + النموذج، فئة xhigh، لقطة 2026-06-07، $552.67 لكل تشغيل.
تحليل اصطناعي · GPT-5.6 Sol
فئة الاستدلال xhigh. يليه Opus 5 عند 89.1، ثم Grok 4.6 ثالثًا عند 88.4 (بحسب The Batch، 08-21).
vals.ai · GPT-5.6 Sol
أداة اختبار Terminus 2 الموحّدة، pass@1. Opus 5 عند 84.64، وKimi K3 عند 80.90.
المهام
مهام Terminal تتراوح من تدريب النموذج إلى أعمال إدارة الأنظمة، ومصنّفة حسب الصعوبة؛ عند الإطلاق لم يتجاوز أي نموذج 50% في الفئة الصعبة.
ما هو Terminal-Bench 2.1
Terminal-Bench هو معيار مفتوح المصدر من المجتمع لوكلاء الطرفية: يجب على النماذج إنجاز المهام فعليًا داخل طرفية معزولة — على سبيل المثال، «تدريب نموذج fasttext على بيانات yelp في data/، مع إبقائه دون 150MB وتحقيق دقة 0.62 على مجموعة اختبار خاصة». يتضمن الإصدار 2.1 عددًا من المهام يبلغ 89 مهمة تشمل تدريب النماذج وإدارة الأنظمة وغير ذلك، ويُقيَّم وفق pass@1: لا تُحتسب المهمة إلا إذا نجحت جميع فحوص pytest المرفقة بها. عمل الطرفية هو موطن وكلاء مثل Claude Code وCodex وCursor، ما يجعل هذه اللوحة مقياسًا صعبًا للبرمجة الوكيلية.
لماذا اشتعل الجدل في أغسطس 2026
منذ 08-08 استشهدت عدة جهات إعلامية بأرقام Artificial Analysis: GPT-5.6 Sol عند 89.5 مقابل Claude Opus 5 عند 89.1 — بفارق 0.4 في الصدارة؛ وفي 08-21 أفاد The Batch بدخول Grok 4.6 ضمن الثلاثة الأوائل عند 88.4. وفي المقابل، المتصدّر الرسمي على tbench.ai هو Claude Code × Fable 5 عند 83.8 — ومجموعتا الأرقام صحيحتان، لكنهما لا تقيسان النوع نفسه من «النموذج». كما تشير ملاحظات إصدار GLM-5.3 بالفعل إلى Terminal-Bench 3.0، مما يحوّل 2.1 إلى لوحة الجيل السابق.
الخط الزمني
الإدخال الحالي في الصدارة على اللوحة الرسمية: Claude Code × Fable 5 (xhigh) عند 83.8.
تبدأ أرقام Artificial Analysis «Sol 89.5 مقابل Opus 5 89.1» بالانتشار عبر التغطية الإعلامية.
The Batch: Grok 4.6 عند 88.4 ينضم إلى الثلاثة الأوائل؛ وتعرض لقطة vals.ai للفترة نفسها Sol 85.77 / Opus 5 84.64 / K3 80.90.
المؤكد مقابل ما يُساء فهمه بسهولة
مؤكّد
لوحات الصدارة الثلاث موجودة فعلًا بأرقام قابلة للتحقق: اللوحة الرسمية tbench.ai (تركيبات الوكيل + النموذج، إطار harbor)، وvals.ai (إطار Terminus 2 الموحّد، pass@1)، وArtificial Analysis (اختبارات مباشرة للنماذج مع مستويات جهد موسومة). تأتي الفروق من إطار الاختبار ومستوى الجهد، لا من بيانات ملفّقة.
يُساء فهمه بسهولة
عناوين مثل «النموذج X يتصدر Terminal-Bench» لا تكاد تذكر أي لوحة، أو أي وكيل، أو أي مستوى جهد. تقيس اللوحة الرسمية تركيبات «الوكيل + النموذج» (مثل Claude Code × Fable 5)، لا النماذج وحدها؛ وقراءة نتائج التركيبات كأنها نتائج نماذج هو الخطأ الأكثر شيوعًا.
قارن التكلفة قبل الدرجات
الدرجات متقاربة
يختلف المتصدّران في اللوحة الرسمية بفارق 0.7 (83.8 مقابل 83.1)؛ وفي Artificial Analysis بفارق 0.4. ويعدّ 2.1 قريبًا من التشبع بالنسبة إلى النماذج الرائدة.
تختلف التكاليف عدة أضعاف
تكلفة التشغيل الواحد في اللوحة الرسمية: $552.67 لتركيبة Fable 5، و$2,059.19 لتركيبة GPT-5.5. النطاق نفسه من الدرجات، وميزانية أكبر بنحو 4 أضعاف.
كيف تعيد تشغيله بنفسك
الإطار الرسمي هو harbor: harbor run -d terminal-bench/terminal-bench-2-1 -a "<agent>" -m "<model>" -k 5. لمقارنة النماذج، ثبّت الوكيل ومستوى الجهد؛ ولاختيار وكيل، ثبّت النموذج. تعمل لقطات vals.ai وArtificial Analysis كفحوص متقاطعة.
على QCode
من بين النماذج في صدارة اللوحات الثلاث كلها، يمكن إعادة تشغيل Fable 5 وOpus 5 وSonnet 5 وGPT-5.6 Sol وTerra وKimi K3 وGLM-5.2 واحدًا تلو الآخر بالمفتاح نفسه على QCode، دون شحن الرصيد في كل منصة على حدة. تُحتسب الفاتورة لكل token؛ وأسعار كل نموذج مدرجة على /models. سلسلة Grok غير متصلة على QCode؛ استخدم القنوات الرسمية لها.
الأسئلة الشائعة
إذن، من يتصدّر Terminal-Bench 2.1 فعليًا؟
يعتمد ذلك على اللوحة: تذكر لوحة tbench.ai الرسمية أن Claude Code × Fable 5 حصل على 83.8، ويذكر Artificial Analysis أن GPT-5.6 Sol حصل على 89.5، كما تتضمن لقطة vals.ai النموذج Sol بدرجة 85.77. وتختلف إطارات الاختبار وطريقة منح الدرجات لديها.
لماذا الأرقام الرسمية أقل بكثير؟
تختبر اللوحة الرسمية تركيبات «الوكيل + النموذج» بتواريخ لقطة لكل إدخال؛ ويعيد vals.ai الاختبار ضمن إطار Terminus 2 موحّد، بينما يختبر Artificial Analysis النماذج مباشرةً مع مستويات جهد موسومة. إطار أقوى، ومستوى أعلى، ودرجة أعلى.
ما الذي تغطيه المهام الـ89؟
مهام حقيقية في طرفية معزولة: تدريب النماذج، وإدارة الأنظمة، ومعالجة البيانات وغير ذلك، مصنفة حسب الصعوبة. تُقيَّم بـ pass@1 — إذ يجب أن تنجح جميع اختبارات pytest المضمّنة.
هل صدر Terminal-Bench 3.0؟
يستشهد به المورّدون بالفعل: تشير ملاحظات إطلاق GLM-5.3 إلى TB 3.0، وتعرض صفحات المقارنة التابعة لأطراف ثالثة Opus 5 عند 42.7 / Sol عند 34.6. وهو أصعب بدرجة كبيرة؛ ودرجات 2.1 العليا قريبة من التشبع.
كم تبلغ تكلفة إعادة الاختبار؟
تتضمن إدخالات اللوحة الرسمية عمود تكلفة: $552.67 لكل تشغيل لتركيبة Fable 5، و$2,059.19 لتركيبة GPT-5.5. ومنصة API موحّدة للدفع حسب الاستخدام أرخص بكثير من الاشتراك في كل منصة على حدة.
أي لوحة تصنيف يجب أن توجّه الاختيار؟
اختر الوكلاء من اللوحة الرسمية (درجات التركيبات)، والنماذج المجرّدة من vals.ai (الإطار الموحّد)، واستخدم Artificial Analysis لقراءات سريعة عبر النماذج. ولا ينبغي أن يكون رقم واحد الأساس الوحيد.
المصادر
لوحة tbench.ai الرسمية (تم جلبها في 2026-08-22)، منهجية vals.ai ولقطات Terminal-Bench 2.1، Artificial Analysis (عبر felloai وThe Batch، 2026-08-21)، BuildApps (2026-08-08).
مفتاح واحد — استخلص نتيجتك بنفسك
يمكن استدعاء النماذج المتصدّرة على نقطة نهاية QCode نفسها وفق الأسعار الرسمية مضروبة في سعر خدمتنا؛ وأنت تتحكم في ميزانية إعادة التشغيل.
قراءات ذات صلة
تصنيف SWE-bench Pro 2026
أحدث المراكز في الاختبار القياسي طويل الأفق على مستوى المستودعات.
شرح نتيجة Claude Fable 5 في SWE-Bench Pro
من أين يأتي رقم 80.3%، والمنهجية الرسمية مقابل إعادة الإنتاج المستقلة، ومقدار الوزن الذي ينبغي أن يحظى به في قرارك
رادار نماذج الذكاء الاصطناعي 2026
تتبع الأسعار والتوافر عبر عائلات النماذج الرائدة.
دليل الدفع بالعملات المشفرة
تسع عملات، و56 شبكة، وبدون رسوم منصة لرصيد API للبرمجة بالذكاء الاصطناعي.
أرقام لوحات الصدارة لقطة بتاريخ 2026-08-22، وتتغير مع تحديث اللوحات. لسنا تابعين لأي منظمة قياس أداء.