为什么重要
OpenAI 官方发布的 MCP 工具使用评测，与 Anthropic 的 MCP-Atlas 形成双标准。
构建方式与示例
MCP 工具调用场景，评测理解工具文档 + 正确调用的能力。
返回评测
Agent Agent-工具调用 未饱和
模态 · 文本
任务 · 执行验证
Terminal-Bench
评估 Agent 在真实终端环境中执行复杂系统管理和开发任务的能力
多个研究团队 ·
考察能力
终端操作 Shell 系统管理 DevOps 文件处理
构建信息
- 数据规模
- 200+ tasks
- 评测方式
- 标准评测
- 核心指标
- Success Rate (%)
资源链接
模型效果排行
🥇 Claude Opus 4
45.2%
🥈 GPT-5
41.8%
Agent 终端 Shell 系统管理