Ana Sayfa
AI AI
Flaş
Derinlik
Etkinlikler
BlockBeats Pro
Daha Fazla
Finans
Özel
Blok Zinciri Ekosistemi
Giriş
Podkastlar
Veri
OPRR
#
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
Partnered With:

Terminal-Bench 3.0 taht değişti: Opus 5, %43,5 ile GPT-5.6 Sol'u geride bıraktı

动察 Beating tarafından yapılan izlemeye göre, Terminal-Bench 3.0'ın en son listesinde lider değişti. Bu değerlendirme, AI ajanlarının gerçek terminal ortamlarında görevleri tamamlamasını sağlıyor ve sonunda sonuçların doğru olup olmadığını doğrudan kontrol ediyor.

Şu anki ilk üç sıra şöyle:

1. Claude Opus 5 Max + mini-SWE-agent: %43,5
2. GPT-5.6 Sol Max + Codex: %34,6
3. Claude Fable 5 + Claude Code: %34,1

Terminal-Bench 3.0, 23 Temmuz'da yayına girdi ve amacı soruları yeniden zorlaştırmak. Eski sürümde öncü modellerin puanları birbirine yaklaşmıştı; yeni sürümün farkı yeniden açması bekleniyor. İlk sürümde 7 alanı kapsayan 74 görev bulunuyor ve GPU, çoklu konteyner ağları gibi daha karmaşık ortamlar da eklenmiş. Görevler yalnızca kod yazmakla sınırlı değil; model ağırlıklarını gönderme, biçimsel kanıtlar, elektronik tablolar ve CAD dosyaları da istenebiliyor.

Ancak bu, Opus 5'in Sol'dan yaklaşık 9 puan daha güçlü olduğu şeklinde doğrudan yorumlanamaz. Terminal-Bench, modellerin farklı ajanlarla çalışmasına izin veriyor; ilk üç sıra sırasıyla mini-SWE-agent, Codex ve Claude Code kullanmış. Ajan, modelin araçları nasıl çağıracağını, komutları nasıl yürüteceğini ve bağlamı nasıl işleyeceğini belirler; bu nedenle liste daha çok "model + ajan" sisteminin bütünsel yeteneğini ölçüyor.

举报 Düzeltme/Rapor
İlgiliÖnerilen
V4-Pro-Max (Maximum Reasoning Intensity Mode) şu anda en güçlü açık kaynak modeli olarak bilinmekte olup, kodlama performansı en üst düzeye ulaşmıştır. Çıkarsama ve aracı görevi kapalı kaynak teknolojiye olan farkı belirgin bir şekilde azaltmıştır.
Yapay zeka güvenliği çağında, yetenekler kendiliğinden yayılır, sorumluluk ise yayılmaz.
Finansal raporda en çok zarar ettiren xAI oldu, yeni modelin maliyeti Opus 4.8'den %25 daha düşük.
Kendi kendini denetimi güçlendirme ve çoklu ajan düzenlemesi ile modeli daha güvenilir hale getirin.
Düzeltme/Rapor
Gönder
Kütüphane Ekle
Sadece kendime görünür
Herkese Açık
Kaydet
Kütüphane Seç
Kütüphane Ekle
İptal
Tamamla