Terminal-Bench 4.1 重评榜单：约 1% 奖励翻转，GLM-5.3 排名稳固

Terminal-Bench 4.1 更新所有任务的验证器，重评 4.0 榜单后约 1% 的奖励判定翻转，各模型分数仍落在此前报告的置信区间内。新版重点抵抗 reward hacking、降低假阴性并提升可复现性。max effort 榜单中，Claude Opus 5.5（claude code）以约 63% 居首、较此前 +0.9%，GLM-5.3 则为 -0.6%，排名仍稳固。