Terminal-Bench 3.0
أصعب بكثير من 2.1 — بالكاد تجاوز المتصدر 40%
صدر TB 3.0 في 2026-08-19 مستهدفًا معدلات نجاح أقل من 30% في المحاولة الأولى للنماذج الأساسية؛ وسجّل المتصدر في فحص 2026-08-27، Claude Opus 5، نسبة 42.7% فقط، بينما تشبّعت لوحة صدارة 2.1 عند نحو 88%.
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
أربع حقائق رئيسية
نتيجة المتصدر (حينها)
تصدّر Claude Opus 5 اختبار TB 3.0 بنسبة 42.7% (فحص 2026-08-27) — وكان حينها النموذج الوحيد فوق 40%.
نتيجة المتصدر في TB 2.1 (مشبعة)
يسجّل متصدر TB 2.1، Grok 4.6، نسبة 88.4%، مع تجمّع أفضل أربعة في نطاق 86%-89% — ولم يتبقَّ إلا فارق ضئيل جدًا.
الهدف التصميمي لـ 3.0
استهدف المطوّرون (Harbor، Laude Institute، Snorkel AI، Turing) صراحةً معدلات نجاح أقل من 30% في المحاولة الأولى للنماذج الأساسية.
تغطية المجالات
يغطي 3.0 7 مجالات مهام، ويقدّم بيئات GPU معزولة (حتى H100)، وطوبولوجيات متعددة الحاويات، وخدمات مصغّرة قيد التشغيل، ومنطق تقييم أكثر صرامة.
ما الذي تغيّر فعليًا بين 3.0 و2.1
ارتفعت أفضل نماذج TB 2.1 عمومًا ببطء نحو 90%، مما ترك فارقًا صغيرًا جدًا لرؤية الفجوات الحقيقية بين النماذج — مشكلة «تشبّع المعيار» الكلاسيكية. لا يكتفي TB 3.0 بإضافة مزيد من الأسئلة؛ بل يرفع المستوى على صعيد البنية التحتية: بيئات GPU معزولة حتى H100، وطوبولوجيات متعددة الحاويات، وتكامل مع خدمات مصغّرة قيد التشغيل، ومنطق تقييم أكثر صرامة «إذا وفقط إذا» (وليس تقييمًا تقريبيًا ضبابيًا). صرّح المطوّرون علنًا بأن صعوبة مهام 3.0 تستهدف معدلات نجاح أقل من 30% في المحاولة الأولى للنماذج الأساسية — ولهذا سجّل المتصدر Claude Opus 5 نسبة 42.7% فقط في فحص 2026-08-27. لم تصبح النماذج أسوأ؛ بل أصبح المقياس أكثر صرامة.
آخر التطورات
صدر TB 3.0 في 2026-08-19، وتغطي نسخته الأولى (v0.1) 74 مهمة عبر 7 مجالات. وكانت أفضل 8 نماذج في فحص 2026-08-27: Claude Opus 5 (42.7%)، وGPT-5.6 Sol (34.6%)، وClaude Fable 5 (34.0%)، وGLM-5.3 (32.4%)، وGrok 4.6 (26.5%)، وClaude Opus 4.8 (21.1%)، وGPT-5.6 Terra (20.8%)، وSWE-1.7 Lightning من Cognition (18.6%).
الجدول الزمني
صدر Terminal-Bench 3.0؛ وتغطي v0.1 74 مهمة عبر 7 مجالات.
تُنشر أول لوحة صدارة، ويتصدّرها Claude Opus 5 بنسبة 42.7% — وهو حاليًا النموذج الوحيد فوق 40%.
بوصفه إصدارًا مبكرًا، يُتوقع أن تستمر مجموعة المهام ولوحة الصدارة في التوسع؛ وستتغير الترتيبات مع تطور المعيار.
مؤكد مقابل ما يحتاج إلى متابعة مستمرة
مؤكد
أُطلق TB 3.0 في 2026-08-19، وطُوّر بالتعاون بين Harbor وLaude Institute وSnorkel AI وTuring؛ وكان المتصدر عند التحقق في 2026-08-27 هو Claude Opus 5 (42.7%). ويأتي متصدر TB 2.1، Grok 4.6، عند 88.4%، مع تجمّع أفضل أربعة نماذج في نطاق 86%-89%.
يتطلب متابعة مستمرة
تتغير ترتيبات TB 3.0: نسبة 42.7% في هذه الصفحة لقطة بتاريخ 2026-08-27، ولوحة الموقع الافتراضية هي 4.0 وفق جلب بتاريخ 2026-09-21 (يتصدرها GPT-6 Astra بنسبة 58.2%). لا تعامل لقطة لمرة واحدة على أنها حقيقة طويلة الأمد.
TB 3.0 مقابل TB 2.1
TB 2.1 (تتجه نحو التشبّع)
تتجمّع أفضل النماذج عند 86%-89%، ولم يبقَ إلا فارق ضئيل؛ ولا يزال يُستخدم على نطاق واسع، لكن أصبح من الصعب رؤية فروق حقيقية بين النماذج.
TB 3.0 (تُوسّع الفروق بين الدرجات)
بيئات GPU معزولة + حاويات متعددة + خدمات مصغّرة حية + تقييم صارم؛ ولم يتجاوز المتصدر 40% إلا للتو، ما يمنح قراءة أفضل للسقف الحقيقي للنماذج الحالية.
كيف تقرأ لوحة الترتيب هذه
تحقق أولًا مما إذا كانت تغطية المجالات تناسب حالة الاستخدام الفعلية لديك (تشمل 3.0 7 مجالات، وليست كل مهمة ذات صلة بما تفعله). ثم انظر إلى فروق الدرجات الفعلية لا إلى ترتيب المراكز — فأفضل بضعة نماذج في TB 3.0 تُظهر بالفعل فوارق ذات دلالة (42.7% مقابل 34.6% مقابل 34.0%)، وهي أنفع من تجمّع 2.1 المتراص ضمن نقاط قليلة. لا يزال هذا المعيار في مراحله المبكرة، لذا راجعه دوريًا بدلًا من الوثوق بلقطة واحدة.
ماذا تفعل على QCode
من بين أفضل 8 نماذج حاليًا في TB 3.0، تأتي Claude Opus 5 وGPT-5.6 Sol وClaude Fable 5 وGLM-5.3 وClaude Opus 4.8 جميعها ضمن تشكيلة QCode المتاحة للبيع — ويستدعيها مفتاح واحد بسعر رسمي × معدل الخدمة. أما Grok 4.6 وSWE-1.7 Lightning فلا تُباع حاليًا عبر QCode.
الأسئلة الشائعة
لماذا تكون درجات TB 3.0 أقل بكثير من درجات 2.1 على جميع الأصعدة؟
لم تصبح النماذج أضعف — بل أصبح التقييم أكثر صرامة. يقدّم 3.0 بيئات GPU معزولة، وطوبولوجيات متعددة الحاويات، وخدمات مصغّرة حية، ومنطق تقييم أكثر صرامة، وقد استهدف المطوّرون صراحةً معدلات نجاح أقل من 30% في المحاولة الأولى للنماذج الأساسية، لذا يُتوقع انخفاض الدرجات على جميع الأصعدة.
هل لا يزال TB 2.1 يستحق الرجوع إليه؟
نعم، لكن أفضل نماذجه تشبّعت إلى حد كبير (نطاق 86%-89%)، ولم يبقَ سوى فارق ضئيل. وإذا كنت تقارن فقط عددًا قليلًا من أفضل النماذج ببعضها، فإن 3.0 أكثر إفادة.
كم عدد المهام التي يغطيها TB 3.0 حاليًا؟
تغطي النسخة الأولى (v0.1) 74 مهمة عبر 7 مجالات؛ وبوصفها نسخة مبكرة، يُتوقع أن تستمر مجموعة المهام في التوسّع.
تصدّر Grok 4.6 TB 2.1 — فلماذا يحتل مرتبة أدنى في 3.0؟
تختلف صعوبة المهام ومتطلبات البنية التحتية اختلافًا كبيرًا بين الإصدارات؛ ويشدّد 3.0 على سيناريوهات واقعية ومعقّدة متعددة الحاويات/الخدمات المصغّرة، وتختلف النماذج في أدائها هناك اختلافًا كبيرًا عن أدائها في مجموعة مهام 2.1 — لذا يُتوقع تغيّر الترتيب.
هل يمكنني استدعاء كل نموذج في لوحة الترتيب هذه عبر QCode؟
لا. من بين أفضل 8 نماذج في TB 3.0، لا تُباع Grok 4.6 وSWE-1.7 Lightning حاليًا عبر QCode؛ أما النماذج الأخرى الـ5 (Claude Opus 5 وGPT-5.6 Sol وClaude Fable 5 وGLM-5.3 وClaude Opus 4.8) فيمكن استدعاؤها جميعًا عبر مفتاح QCode واحد.
ماذا يعني التقييم «إذا وفقط إذا» في TB 3.0؟
يشير إلى تقييم آلي أكثر صرامة — لا تُعدّ المهمة مكتملة إلا إذا استوفت الشروط المحددة مسبقًا بدقة، بدلًا من التقييم التقريبي الضبابي، ما يقلّل الإيجابيات الكاذبة حين يبدو شيء ما «صحيحًا» لكنه ليس صحيحًا تمامًا.
المصادر
تأتي بيانات تاريخ إطلاق TB 3.0 (2026-08-19)، والمطوّرين (Harbor وLaude Institute وSnorkel AI وTuring)، وعدد المجالات، والهدف التصميمي (معدل نجاح أساسي أقل من 30%)، ودرجات لوحة الترتيب الحالية من صفحة لوحة الترتيب الرسمية لـ Terminal-Bench 3.0 وتغطية إعلامية تقنية ذات صلة؛ أما درجات TB 2.1 فتأتي من الإصدار 2.1 من السلسلة نفسها للوحة الترتيب. تم التحقق في 2026-08-27.
خارج لوحة الترتيب: مفتاح واحد يختبر النماذج السائدة
Claude Opus 5 وGPT-5.6 Sol وClaude Fable 5 وGLM-5.3 وغيرها من متصدري TB 3.0 — جميعها قابلة للاستدعاء بمفتاح QCode واحد.
قراءات ذات صلة
ترتيب SWE-bench Pro 2026
أحدث مستجدات لوحة ترتيب رائدة أخرى لقدرات البرمجة.
كيف يُحتسب Artificial Analysis Intelligence Index
منهجية لوحة ترتيب تركيبية أخرى — وTB 2.1 أحد مكوّناتها.
رادار نماذج الذكاء الاصطناعي 2026
مقارنة تركيبية للنماذج من إعدادنا.
دليل الدفع بالعملات المشفرة
تسع عملات، و56 شبكة، وبدون رسوم منصة لرصيد API للبرمجة بالذكاء الاصطناعي.
تأتي بيانات لوحة الترتيب في هذه الصفحة من صفحة لوحة الترتيب الرسمية لـ Terminal-Bench، ولا تُعدّ بيانًا رسميًا من QCode؛ والدرجات المحددة تخضع للوحة الترتيب المباشرة، ولا نحتفظ بترتيب مستقل خاص بنا.