Terminal-Bench 2.1
三个第一，信哪个
同一个基准，官方榜、Artificial Analysis、vals.ai 给出三个不同的第一名。差异不是谁刷分，是 harness、effort 档位与快照日期。
三份榜单的第一名
官方榜 · Claude Code × Fable 5
tbench.ai，agent + 模型组合条目，xhigh 档，2026-06-07 快照，单次成本 $552.67。
Artificial Analysis · GPT-5.6 Sol
xhigh 推理档。Opus 5 以 89.1 紧随，Grok 4.6 以 88.4 列第三（The Batch 08-21 转引）。
vals.ai · GPT-5.6 Sol
统一 Terminus 2 harness、pass@1。Opus 5 84.64、Kimi K3 80.90。
任务数
从模型训练到系统管理员的终端任务，按难度分级；发布初期无模型在 hard 档超过 50%。
Terminal-Bench 2.1 是什么
Terminal-Bench 是社区开源的终端 agent 基准：模型要在沙箱终端里真实完成任务——比如「用 data/ 里的 yelp 数据训练一个 fasttext 模型，体积小于 150MB 且在私有测试集上达到 0.62 准确率」。2.1 版共 89 个任务，覆盖模型训练、系统管理等类目，pass@1 判定：任务附带的 pytest 全部通过才得分。终端操作是 Claude Code、Codex、Cursor 等 agent 的主战场，这个榜因此成了 agentic coding 的硬指标。
本月为什么又吵起来
08-08 起多家媒体引用 Artificial Analysis 数据：GPT-5.6 Sol 89.5 对 Claude Opus 5 89.1，前两名只差 0.4；08-21 The Batch 报道 Grok 4.6 以 88.4 进前三。与此同时官方 tbench.ai 榜单的第一名是 Claude Code × Fable 5 的 83.8——两套数字都对，只是测的不是同一种「模型」。另外 GLM-5.3 的发布稿已用 Terminal-Bench 3.0 作参照，2.1 正在变成上一代榜单。
时间线
官方榜当前第一条目：Claude Code × Fable 5（xhigh）83.8。
「Sol 89.5 vs Opus 5 89.1」的 Artificial Analysis 数据开始被媒体大量引用。
The Batch：Grok 4.6 88.4 进前三；同期 vals.ai 快照 Sol 85.77 / Opus 5 84.64 / K3 80.90。
已确认 vs 易误读
已确认
三份榜单都真实存在且数字可复核：官方 tbench.ai（agent + 模型组合、harbor 框架）、vals.ai（统一 Terminus 2 harness、pass@1）、Artificial Analysis（模型直测、标注 effort 档）。数字差异来自 harness 与档位，不是数据造假。
易误读
「X 模型 Terminal-Bench 第一」的标题基本都不说用的是哪份榜、哪个 agent、哪个 effort 档。官方榜测的是「agent + 模型」组合（如 Claude Code × Fable 5），不是裸模型；把组合分当成模型分是最常见的误读。
比分数之前先比成本
分数相近
官方榜前二只差 0.7（83.8 vs 83.1），Artificial Analysis 榜前二只差 0.4。2.1 对头部模型已接近饱和。
成本差数倍
官方榜单次运行成本：Fable 5 组合 $552.67，GPT-5.5 组合 $2,059.19。同分段的预算可以差近 4 倍。
怎么自己复测
官方框架是 harbor：harbor run -d terminal-bench/terminal-bench-2-1 -a "<agent>" -m "<model>" -k 5。想横向比模型，固定同一个 agent 和 effort 档再比；想选型 agent，固定模型再比。vals.ai 与 Artificial Analysis 的快照可作旁证。
在 QCode 上
三份榜单前排的模型——Fable 5、Opus 5、Sonnet 5、GPT-5.5、GPT-5.6 全系、Kimi K3、GLM-5.2——在 QCode 用同一把 key 就能逐一复测，官方价乘服务费率，跑一轮的成本远低于在各平台分别充值。Grok 系列 QCode 未接入，需另寻官方渠道。
常见问题
Terminal-Bench 2.1 的第一名到底是谁？
取决于哪份榜：官方 tbench.ai 是 Claude Code × Fable 5（83.8），Artificial Analysis 是 GPT-5.6 Sol（89.5），vals.ai 快照也是 Sol（85.77）。三者的 harness 与统计口径不同。
为什么官方榜的数字低那么多？
官方榜测「agent + 模型」组合且条目带各自快照日期；vals.ai 用统一 Terminus 2 harness 重测，Artificial Analysis 是模型直测并标注 effort 档。harness 越强、档位越高，分数越高。
89 个任务都考什么？
沙箱终端里的真实任务：模型训练、系统管理、数据处理等，按难度分级。pass@1 判定，任务附带的 pytest 全过才得分。
Terminal-Bench 3.0 出了吗？
已被厂商引用：GLM-5.3 发布稿以 TB 3.0 作参照，第三方对比页显示 Opus 5 42.7 / Sol 34.6。难度显著更高，2.1 的头部分数已接近饱和。
复测一轮要多少钱？
官方榜条目带成本列：Fable 5 组合 $552.67、GPT-5.5 组合 $2,059.19 单次。用统一 API 平台按量计费，比在各平台分别订阅便宜得多。
选型该看哪份榜？
选 agent 看官方榜（组合分），选裸模型看 vals.ai（统一 harness），快速横向对比看 Artificial Analysis。任何单一数字都不该是唯一依据。
信息来源
tbench.ai 官方榜（2026-08-22 抓取）、vals.ai Terminal-Bench 2.1 方法说明与快照、Artificial Analysis（经 felloai 与 The Batch 2026-08-21 转引）、BuildApps（2026-08-08）。
相关阅读
榜单数字为 2026-08-22 快照，随各榜更新变化。与各 benchmark 组织无隶属。