Бенчмарки терминала
Terminal Bench 2.1
Иллюстративная смесь строк Terminal-Bench 2.1, проверенных Snorkel, и опубликованных показателей GPT-5.6. Стоимости — приблизительные прокси-значения (пересечение с DeepSWE или оценки по тарифам API). Это не учёт OpenCodex в реальном времени.
Стоимости на этой доске — оценки или смеси API-цен; рейтинг по баллам/$ и метка «Самая выгодная» отключены, пока у каждой строки нет измеренной источником стоимости задачи.
| Модель | Рассуждения | Балл | Стоимость / задача | Назначение |
|---|---|---|---|---|
| gpt-5.6-sol | xhigh | 88.8% | $8.39 | Фронтир, Планировщик |
| gpt-5.6-terra | codex | 78.4% ±1.3 | $4.95 | Рабочая лошадка, Фронтир |
| gpt-5.6-luna | codex | 75.7% ±1.3 | $3.03 | Рабочая лошадка, Дешёвый подагент |
| claude-fable-5 | claude-code | 83.8% ±1.2 | $21.63 | Планировщик, Фронтир |
| gpt-5.5 | codex | 83.1% ±1.1 | $7.23 | Фронтир, Рабочая лошадка |
| grok-4.5 | cursor-cli | 79.3% ±1.5 | $2.42 | Рабочая лошадка, Дешёвый подагент |
| claude-opus-4.8 | claude-code | 78.9% ±1.3 | $13.22 | Фронтир, Планировщик |
| muse-spark-1.1 | mini-swe-agent | 76.2% ±1.2 | $2.36 | Рабочая лошадка, Дешёвый подагент |
| claude-sonnet-5 | claude-code | 74.6% ±1.6 | $12 | Рабочая лошадка |
| glm-5.2 | claude-code | 82.7% | $3.92 | Рабочая лошадка, Дешёвый подагент |
| claude-opus-4.7 | claude-code | 68.9% ±1.4 | $10 | Фронтир |
| gemini-3.1-pro | gemini-cli | 65.8% ±1.7 | $9.48 | Фронтир |
| kimi-k3 | — | 88.3% | $5 | Фронтир, Рабочая лошадка |
| hy3 | — | 71.7% | $2 | Дешёвый подагент, Рабочая лошадка |
| minimax-m3 | — | 66% | $1.5 | Дешёвый подагент |