Terminal-Bench 3.0
2.1より遥かに難しく、首位もようやく40%超え
TB 3.0 は 2026-08-19 に公開され、ベースラインモデルの初回通過率を30%未満に抑えることを目標にしている。現在の首位 Claude Opus 5 はわずか42.7%で、2.1 の首位はすでに88%付近で飽和している。
4つの重要事実
現在の首位スコア
Claude Opus 5 が42.7%でTB 3.0の首位。現時点で40%を超えている唯一のモデルだ。
2.1の首位スコア（飽和状態）
TB 2.1の首位 Grok 4.6 は88.4%。上位4モデルは86%〜89%の範囲に密集しており、区別がつきにくい。
3.0の設計目標
開発元（Harbor、Laude Institute、Snorkel AI、Turing）はベースラインモデルの初回通過率を30%未満にすることを明確に目標として掲げている。
タスク領域のカバー範囲
3.0は7つのタスク領域をカバーし、GPUサンドボックス（最大H100）、マルチコンテナ構成、実際に稼働するマイクロサービス、より厳格な判定ロジックを導入した。
3.0と2.1は実際どこが違うのか
TB 2.1のトップモデルは軒並み90%近くに達しており、モデル間の実際の差を見分けるには区別が足りない——ベンチマークによくある「飽和」問題だ。TB 3.0は単に問題数を増やしただけではなく、インフラのレベルで難易度を引き上げた：最大H100構成のGPUサンドボックス、マルチコンテナ構成、実際に稼働するマイクロサービスへの接続、そしてより厳格な「必要十分」判定ロジック（曖昧な近似採点ではない）を導入している。開発元は3.0のタスク難易度目標として、ベースラインモデルの初回通過率を30%未満にすることを公言している。これが首位の Claude Opus 5 でさえ42.7%にとどまる理由だ——モデルが弱くなったのではなく、物差しが厳しくなったのだ。
最新の動き
TB 3.0は2026-08-19に公開され、最初のバージョン（v0.1）は74問、7つのタスク領域をカバーしている。現在の上位8モデルは、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%）、Cognition の SWE-1.7 Lightning（18.6%）の順だ。
タイムライン
Terminal-Bench 3.0が公開。v0.1は74問、7つのタスク領域をカバー。
初回の榜単が公表され、Claude Opus 5 が42.7%で首位に。現時点で唯一40%を超えたモデルとなった。
初期バージョンのため、問題セットと榜単は今後も拡充される見込みで、順位はバージョンの進化とともに変化する。
確認済み vs 継続的な注視が必要
確認済み
TB 3.0は2026-08-19に公開され、Harbor、Laude Institute、Snorkel AI、Turingが共同開発した。現在の首位は Claude Opus 5（42.7%）。TB 2.1の首位 Grok 4.6 は88.4%で、上位4モデルは86%〜89%に集中している。
継続的な注視が必要
3.0は現時点でまだ初期バージョン（v0.1、74問）であり、問題セットと榜単は今後拡充・調整される可能性が高い。順位はバージョンの進化とともに変わるため、ある時点の順位を長期不変の結論として扱わないこと。
TB 3.0 vs TB 2.1
TB 2.1（飽和傾向）
トップモデルが86%〜89%に集中し、区別がつきにくい。依然として広く使われているが、モデル間の実際の差はもう見えにくい。
TB 3.0（差を広げる）
GPUサンドボックス＋マルチコンテナ＋実マイクロサービス＋厳格な判定。首位がようやく40%を超え、現在のモデルの実際の上限をより反映している。
この榜単の見方
まず、タスク領域のカバー範囲が自分の実際のユースケースに合っているか確認する（3.0は7領域をカバーするが、すべてのタスクが自分の用途に関連するわけではない）。次に、順位ではなく実際のスコア差を見る——TB 3.0のトップ数モデルのスコア差自体がすでに小さくない（42.7% vs 34.6% vs 34.0%）。2.1のように数ポイント内にひしめき合っているよりも参考になる。バージョンはまだ初期段階なので、1回のスナップショットだけでなく定期的に見直すことを勧める。
QCode 上での対処法
TB 3.0の現在の上位8モデルのうち、Claude Opus 5、GPT-5.6 Sol、Claude Fable 5、GLM-5.3、Claude Opus 4.8 の5つはQCodeの販売中モデルラインナップに含まれており、1つのキーで公式価格×サービス料率で呼び出せる。Grok 4.6 と SWE-1.7 Lightning は現在QCodeでは販売していない。
よくある質問
なぜTB 3.0のスコアは2.1より軒並み低いのですか？
モデルが弱くなったのではなく、採点基準が厳しくなったからだ。3.0はGPUサンドボックス、マルチコンテナ構成、実マイクロサービス、より厳格な判定ロジックを導入しており、開発元はベースラインモデルの初回通過率を30%未満にすることを明確に目標としているため、スコアが軒並み下がるのは想定通りだ。
TB 2.1にはまだ参考価値がありますか？
ある。ただしトップモデルはすでに軒並み飽和状態（86%〜89%の範囲）にあり、区別がつきにくい。トップ数モデルだけを横に比較するなら、3.0のほうが参考になる。
TB 3.0は現在何問カバーしていますか？
最初のバージョン（v0.1）は74問、7つのタスク領域をカバーしている。初期バージョンのため、問題セットは今後拡充される見込みだ。
Grok 4.6 はTB 2.1で1位なのに、なぜ3.0では順位が低いのですか？
両バージョンではタスクの難易度とインフラ要件が大きく異なる。3.0はより現実的で複雑なマルチコンテナ/マイクロサービスのシナリオを重視しており、こうした新しい場面でのモデルの表現は2.1の問題セットとは明らかに異なるため、順位の変化は自然なことだ。
QCodeでこの榜単のすべてのモデルを呼び出せますか？
できない。TB 3.0の上位8モデルのうち、Grok 4.6 と SWE-1.7 Lightning は現在QCodeでは販売していない。残りの5つ（Claude Opus 5、GPT-5.6 Sol、Claude Fable 5、GLM-5.3、Claude Opus 4.8）はQCodeの1つのキーで呼び出せる。
TB 3.0の「必要十分」判定ロジックとは何ですか？
より厳格な自動判定を指す——タスクが完了したと判定されるには、あらかじめ設定された条件を厳密に満たす必要があり、曖昧な近似採点ではない。これにより「一見正しく見えるが実際には完全には正しくない」といった誤判定を減らせる。
情報源
TB 3.0の公開日（2026-08-19）、開発元（Harbor、Laude Institute、Snorkel AI、Turing）、タスク領域数、設計目標（ベースライン初回通過率30%未満）、現在の榜単スコアは、いずれもTerminal-Bench 3.0公式榜単ページと関連技術メディアの報道に基づく。TB 2.1の榜単スコアは同シリーズの2.1バージョンのページに基づく。本ページは2026-08-27時点で確認した。
榜単の先へ：1つのキーで主流モデルを試す
Claude Opus 5、GPT-5.6 Sol、Claude Fable 5、GLM-5.3 など TB 3.0 上位モデルを、QCode の1つのキーで呼び出せる。
関連記事
SWE-bench Pro 2026 ランキング
もう1つの主要コード能力榜単の最新状況。
Artificial Analysis 知能指数の計算方法
もう1つの総合榜単の計算方法。TB 2.1 はその構成要素の1つだ。
AI モデルレーダー 2026
サイト独自のモデル総合比較。
本ページの榜単データは Terminal-Bench 公式榜単ページに基づくものであり、QCode の公式見解ではありません。具体的なスコアは榜単ページのリアルタイムデータに従い、当社独自のランキングは作成していません。