Terminal-Bench 4.1重评榜单
热点事件持续更新
Terminal-Bench 4.1重评榜单
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Terminal-Bench 4.1更新全部任务验证器并重评4.0榜单，约1%的奖励判定发生翻转，但各模型成绩仍在此前报告的置信区间内，整体排名未现明显变化。 在max effort榜单中，Claude Opus 5.5（claude code）以约63%的得分居首，较此前上升0.9%；GLM-5.3较此前下降0.6%，但排名仍然稳固。新版验证器重点加强了对reward hacking的抵抗，并降低假阴性和提升复现性。
AI 根据报道生成 · 2 小时前更新
最新进展11月10日 01:38
Terminal-Bench 4.1 重评榜单：约 1% 奖励翻转，GLM-5.3 排名稳固报道时间线
沿着报道，了解事件的不同侧面。
11月10日
- AGI HuntTerminal-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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。