Terminal-Bench 2.1

Terminal-Bench 2.1は、AIモデルがコマンドラインインターフェース（ターミナル）での操作をどの程度自動化できるかを測るための評価ベンチマークです。この評価では、ファイル操作、システム設定、スクリプト実行など、様々なターミナルベースのタスクが与えられます。Claude Opus 4.8は、Terminus-2というハーネスを用いた比較で74.6%を記録しましたが、GPT-5.5が別のハーネスであるCodex CLIで83.4%を記録するなど、評価環境によって数値が変動する特性があります。このベンチマークは、AIがシステム管理や開発環境の自動化にどれだけ貢献できるかを示す指標となります。