Terminal-Bench: Valutare le Prestazioni degli Agenti su Compiti Complessi e Realistici nelle Interfacce a Righe di Comando
Terminal-Bench: Benchmarking Agents on Hard, Realistic Tasks in Command Line Interfaces
January 17, 2026
Autori: Mike A. Merrill, Alexander G. Shaw, Nicholas Carlini, Boxuan Li, Harsh Raj, Ivan Bercovich, Lin Shi, Jeong Yeon Shin, Thomas Walshe, E. Kelly Buchanan, Junhong Shen, Guanghao Ye, Haowei Lin, Jason Poulos, Maoyu Wang, Marianna Nezhurina, Jenia Jitsev, Di Lu, Orfeas Menis Mastromichalakis, Zhiwei Xu, Zizhao Chen, Yue Liu, Robert Zhang, Leon Liangyu Chen, Anurag Kashyap, Jan-Lucas Uslu, Jeffrey Li, Jianbo Wu, Minghao Yan, Song Bian, Vedang Sharma, Ke Sun, Steven Dillmann, Akshay Anand, Andrew Lanpouthakoun, Bardia Koopah, Changran Hu, Etash Guha, Gabriel H. S. Dreiman, Jiacheng Zhu, Karl Krauth, Li Zhong, Niklas Muennighoff, Robert Amanfu, Shangyin Tan, Shreyas Pimpalgaonkar, Tushar Aggarwal, Xiangning Lin, Xin Lan, Xuandong Zhao, Yiqing Liang, Yuanli Wang, Zilong Wang, Changzhi Zhou, David Heineman, Hange Liu, Harsh Trivedi, John Yang, Junhong Lin, Manish Shetty, Michael Yang, Nabil Omi, Negin Raoof, Shanda Li, Terry Yue Zhuo, Wuwei Lin, Yiwei Dai, Yuxin Wang, Wenhao Chai, Shang Zhou, Dariush Wahdany, Ziyu She, Jiaming Hu, Zhikang Dong, Yuxuan Zhu, Sasha Cui, Ahson Saiyed, Arinbjörn Kolbeinsson, Jesse Hu, Christopher Michael Rytting, Ryan Marten, Yixin Wang, Alex Dimakis, Andy Konwinski, Ludwig Schmidt
cs.AI
Abstract
Gli agenti di IA potrebbero presto diventare capaci di completare autonomamente compiti di valore a lungo termine in diversi domini. Gli attuali benchmark non misurano compiti del mondo reale, oppure non sono sufficientemente difficili per valutare significativamente i modelli all'avanguardia. A tal fine, presentiamo Terminal-Bench 2.0: un benchmark rigoroso accuratamente curato, composto da 89 attività in ambienti terminale informatici ispirati a problemi provenienti da flussi di lavoro reali. Ogni attività presenta un ambiente unico, una soluzione scritta da esseri umani e test completi per la verifica. Dimostriamo che i modelli e gli agenti all'avanguardia ottengono un punteggio inferiore al 65% sul benchmark e conduciamo un'analisi degli errori per identificare le aree di miglioramento per modelli e agenti. Pubbliciamo il dataset e il sistema di valutazione per assistere sviluppatori e ricercatori nei lavori futuri all'indirizzo https://www.tbench.ai/.
English
AI agents may soon become capable of autonomously completing valuable, long-horizon tasks in diverse domains. Current benchmarks either do not measure real-world tasks, or are not sufficiently difficult to meaningfully measure frontier models. To this end, we present Terminal-Bench 2.0: a carefully curated hard benchmark composed of 89 tasks in computer terminal environments inspired by problems from real workflows. Each task features a unique environment, human-written solution, and comprehensive tests for verification. We show that frontier models and agents score less than 65\% on the benchmark and conduct an error analysis to identify areas for model and agent improvement. We publish the dataset and evaluation harness to assist developers and researchers in future work at https://www.tbench.ai/ .