Evaluation sourcesOfficial evaluation
Terminal-Bench Science
Harbor / 专业办公 · 在终端里完成科研任务
On HOTAIObserving
Evidence budgetUnweighted
Upstream dataTo verify
Last successful syncCollection not started
What and how it measures
区分 Claude Code、Codex 和 mini-SWE 等系统；不能把不同系统成绩直接当模型能力。
How this evidence is used
观察中：12 个型号且混合运行系统，新前沿型号仍不完整。
Evaluation limits and attribution
观察中：12 个型号且混合运行系统，新前沿型号仍不完整。
Data license: 待确认榜单数据使用边界
成绩由 Harbor 发布，原始分数与 HOTAI 共识分使用不同尺度，不能直接相加。