Terminal-Bench 3.0
بسیار سخت‌تر از 2.1 — صدرنشین به‌سختی از 40% عبور کرده است
TB 3.0 در 2026-08-19 با هدف نرخ قبولی کمتر از 30% در تلاش اول برای مدلهای پایه راه‌اندازی شد؛ صدرنشین در بررسی 2026-08-27، Claude Opus 5، فقط 42.7% امتیاز گرفت، در حالی که جدول رتبهبندی 2.1 حدود 88% اشباع شده است.
به‌روزرسانی شده 2026-11-14
فراتر از جدول رده‌بندی — یک کلید برای اینکه خودتان Claude، GPT و مدلهای چینی را محک بزنید.
- صورت‌حساب به‌ازای توکن — نرخ‌های زنده در /models
- پرداخت با کارت (Visa / Mastercard)، Apple Pay، Google Pay یا رمزارز
- به‌صورت خودخدمت: شارژ حساب و فعال‌سازی فوری
چهار واقعیت کلیدی
امتیاز صدرنشین (آن زمان)
Claude Opus 5 با 42.7% در TB 3.0 پیشتاز بود (بررسی 2026-08-27) — در آن زمان تنها مدل بالای 40% بود.
امتیاز صدرنشین TB 2.1 (اشباع‌شده)
صدرنشین TB 2.1، Grok 4.6، امتیاز 88.4% را دارد و چهار مدل برتر همگی در بازه 86%-89% قرار گرفتهاند — جدایی بسیار کمی باقی مانده است.
هدف طراحی 3.0
توسعهدهندگان (Harbor، Laude Institute، Snorkel AI، Turing) به‌صراحت نرخ قبولی کمتر از 30% در اولین تلاش را برای مدلهای پایه هدف گذاشته‌اند.
پوشش حوزه‌ها
3.0 شامل 7 حوزه وظیفه است و سندباکسهای GPU (تا H100)، توپولوژیهای چندکانتینری، میکروسرویسهای زنده و منطق نمره‌دهی سختگیرانهتر را معرفی میکند.
واقعاً چه چیزی بین 3.0 و 2.1 تغییر کرد
مدلهای برتر TB 2.1 عموماً به‌تدریج به 90% نزدیک شدهاند و فاصله بسیار کمی باقی گذاشته‌اند تا شکاف‌های واقعی میان مدلها دیده شود — مسئله کلاسیک «اشباع بنچمارک». TB 3.0 فقط پرسش‌های بیشتری اضافه نمی‌کند؛ سطح استاندارد را در لایه زیرساخت بالا می‌برد: سندباکسهای GPU تا H100، توپولوژیهای چندکانتینری، یکپارچه‌سازی با میکروسرویسهای در حال اجرا، و منطق نمره‌دهی سختگیرانهتر «اگر و تنها اگر» (نه امتیازدهی تقریبی و مبهم). توسعهدهندگان بهطور عمومی اعلام کرده‌اند که دشواری وظایف 3.0 نرخ قبولی کمتر از 30% در تلاش اول را برای مدلهای پایه هدف می‌گیرد — به همین دلیل صدرنشین Claude Opus 5 در بررسی 2026-08-27 فقط 42.7% امتیاز گرفت. مدلها بدتر نشدند؛ خط‌کش سختگیرانهتر شد.
آخرین تحولات
TB 3.0 در 2026-08-19 راه‌اندازی شد و نسخه اول آن (v0.1) 74 وظیفه را در 7 حوزه پوشش می‌داد. 8 مدل برتر در بررسی 2026-08-27 عبارت بودند از: Claude Opus 5 (42.7%)، GPT-5.6 Sol (34.6%)، Claude Fable 5 (34.0%)، GLM-5.3 (32.4%)، Grok 4.6 (26.5%)، Claude Opus 4.8 (21.1%)، GPT-5.6 Terra (20.8%) و SWE-1.7 Lightning از Cognition (18.6%).
جدول زمانی
Terminal-Bench 3.0 راه‌اندازی می‌شود؛ v0.1 شامل 74 وظیفه در 7 حوزه است.
اولین جدول رتبهبندی منتشر می‌شود و Claude Opus 5 با 42.7% پیشتاز است — در حال حاضر تنها مدل بالای 40%.
بهعنوان یک نسخه اولیه، انتظار میرود مجموعه وظایف و جدول رتبهبندی همچنان گسترش یابند؛ رتبهها با تکامل بنچمارک تغییر خواهند کرد.
تأییدشده در مقابل نیازمند توجه مستمر
تأییدشده
TB 3.0 در 2026-08-19 منتشر شد و بهطور مشترک توسط Harbor، Laude Institute، Snorkel AI و Turing توسعه یافته است؛ در بررسی 2026-08-27، Claude Opus 5 با 42.7% صدرنشین بود. در TB 2.1، Grok 4.6 با 88.4% در صدر قرار دارد و چهار مدل برتر در بازه 86%-89% متمرکز شدهاند.
نیازمند توجه مستمر
رتبه‌های TB 3.0 تغییر می‌کنند: عدد 42.7% در این صفحه تصویر لحظه‌ای 2026-08-27 است و تابلوی پیش‌فرض سایت در بازیابی 2026-09-21 نسخه 4.0 است (GPT-6 Astra با 58.2% در صدر قرار دارد). یک تصویر لحظه‌ای را حقیقت بلندمدت در نظر نگیرید.
TB 3.0 در برابر TB 2.1
TB 2.1 (در حال نزدیک شدن به اشباع)
مدلهای برتر در بازه 86%-89% متمرکز شدهاند و فاصله اندکی باقی مانده است؛ هنوز بهطور گسترده استفاده می‌شود، اما دیدن شکاف واقعی میان مدلها دشوار شده است.
TB 3.0 (فاصله‌انداختن میان امتیازها)
سندباکسهای GPU + چندکانتینری + میکروسرویسهای زنده + ارزیابی سخت‌گیرانه؛ مدل صدرنشین تازه از 40% عبور کرده است و این تصویر بهتری از سقف واقعی مدلهای کنونی میدهد.
چگونه این جدول رتبهبندی را بخوانیم
ابتدا بررسی کنید که پوشش دامنه با مورد استفاده واقعی شما هم‌خوانی دارد یا نه (3.0 شامل 7 دامنه است و همه وظایف به کاری که شما انجام می‌دهید مربوط نیستند). سپس به‌جای ترتیب رتبه، به شکاف‌های واقعی امتیاز نگاه کنید — چند مدل برتر TB 3.0 از قبل جدایی معناداری نشان می‌دهند (42.7% در برابر 34.6% در برابر 34.0%)، که مفیدتر از خوشه 2.1 است؛ خوشه‌ای که اعضای آن فقط چند امتیاز با هم اختلاف دارند. این بنچمارک هنوز در مراحل اولیه است، بنابراین به‌جای اعتماد به یک تصویر لحظه‌ای واحد، آن را بهطور دوره‌ای دوباره بررسی کنید.
در QCode چه کاری می‌توانید انجام دهید
از 8 مدل برتر کنونی TB 3.0، مدلهای Claude Opus 5، GPT-5.6 Sol، Claude Fable 5، GLM-5.3 و Claude Opus 4.8 همه در فهرست قابل ارائه QCode هستند — با یک کلید می‌توانید آن‌ها را با قیمت رسمی × نرخ سرویس فراخوانی کنید. Grok 4.6 و SWE-1.7 Lightning در حال حاضر از طریق QCode عرضه نمیشوند.
پرسش‌های متداول
چرا امتیازهای TB 3.0 بهطور کلی بسیار پایینتر از 2.1 است؟
مدلها ضعیفتر نشدهاند — ارزیابی سختگیرانهتر شده است. نسخه 3.0 سندباکسهای GPU، توپولوژیهای چندکانتینری، میکروسرویسهای زنده و منطق ارزیابی سختگیرانهتری معرفی میکند و توسعهدهندگان صریحاً نرخ قبولی زیر 30% در تلاش نخست را برای مدلهای پایه هدف گرفتهاند؛ بنابراین افت کلی امتیازها مورد انتظار است.
آیا TB 2.1 هنوز ارزش مراجعه دارد؟
بله، اما مدلهای برتر آن تا حد زیادی اشباع شدهاند (بازه 86%-89%) و فاصله کمی باقی مانده است. اگر فقط میخواهید چند مدل برتر را با هم مقایسه کنید، 3.0 اطلاعات بیشتری میدهد.
TB 3.0 در حال حاضر چند وظیفه را پوشش میدهد؟
نسخه نخست (v0.1) 74 وظیفه را در 7 دامنه پوشش میدهد؛ بهعنوان نسخهای ابتدایی، انتظار میرود مجموعه وظایف همچنان گسترش یابد.
Grok 4.6 صدرنشین TB 2.1 بود — چرا در 3.0 رتبه پایینتری دارد؟
دشواری وظایف و الزامات زیرساختی میان نسخهها تفاوت چشمگیری دارد؛ 3.0 بر سناریوهای واقعی و پیچیده چندکانتینری/میکروسرویسی تأکید میکند و عملکرد مدلهای مختلف در آنجا با مجموعه وظایف 2.1 کاملاً متفاوت است — جابهجایی رتبهها مورد انتظار است.
آیا میتوانم همه مدلهای این جدول رتبهبندی را از طریق QCode فراخوانی کنم؟
خیر. از 8 مدل برتر TB 3.0، دو مدل Grok 4.6 و SWE-1.7 Lightning در حال حاضر از طریق QCode عرضه نمیشوند؛ 5 مدل دیگر (Claude Opus 5، GPT-5.6 Sol، Claude Fable 5، GLM-5.3، Claude Opus 4.8) را میتوان با یک کلید QCode فراخوانی کرد.
منظور از ارزیابی «اگر و تنها اگر» در TB 3.0 چیست؟
به ارزیابی خودکار سختگیرانهتر اشاره دارد — یک وظیفه تنها زمانی کامل علامت میخورد که دقیقاً شرایط از پیش تعیینشده را برآورده کند، نه با امتیازدهی تقریبی و مبهم؛ این کار مثبتهای کاذب را کاهش میدهد، یعنی مواردی که «درست به نظر میرسند اما کاملاً صحیح نیستند».
منابع
تاریخ انتشار TB 3.0 (2026-08-19)، توسعهدهندگان (Harbor، Laude Institute، Snorkel AI، Turing)، شمار دامنه‌ها، هدف طراحی (نرخ قبولی پایه زیر 30%) و امتیازهای کنونی جدول رتبهبندی از صفحه رسمی جدول رتبهبندی Terminal-Bench 3.0 و پوشش رسانه‌های تخصصی مرتبط گرفته شده است؛ امتیازهای TB 2.1 از نسخه 2.1 همین مجموعه جدول رتبهبندی است. بازبینی: 2026-08-27.
فراتر از جدول رتبهبندی: با یک کلید، مدلهای جریان اصلی را بیازمایید
Claude Opus 5، GPT-5.6 Sol، Claude Fable 5، GLM-5.3 و دیگر صدرنشینان TB 3.0 — همه با یک کلید QCode قابل فراخوانی هستند.
مطالب مرتبط
رتبهبندی SWE-bench Pro 2026
آخرین وضعیت یکی دیگر از جدول‌های رتبهبندی برجسته توانایی کدنویسی.
شاخص هوشمندی Artificial Analysis چگونه محاسبه می‌شود
روش‌شناسی جدول رتبهبندی ترکیبی دیگری — TB 2.1 یکی از اجزای آن است.
رادار مدلهای هوش مصنوعی 2026
مقایسه ترکیبی مدلها که خودمان تهیه کرده‌ایم.
راهنمای پرداخت با رمزارز
نه رمزارز، 56 شبکه، کارمزد پلتفرم صفر برای اعتبار API کدنویسی با هوش مصنوعی.
داده‌های جدول رتبهبندی در این صفحه از صفحه رسمی جدول رتبهبندی Terminal-Bench گرفته شده و بیانیه رسمی QCode نیست؛ امتیازهای مشخص تابع جدول رتبهبندی زنده است و ما رتبهبندی مستقل خودمان را نگه نمی‌داریم.