Terminal-Bench Hard

该评测面向真实终端使用模式，任务包括编译代码、训练模型、配置服务器、调试系统、数据处理和游戏操作，结果由任务自带的验证脚本程序化检查。

当前 Hard 配置基于 2025 年 8 月 14 日的固定快照；少量存在外部依赖问题的任务被排除，因此实际评测 44 项。

• 理解开放式目标并在终端中规划多步操作。
• 完成软件工程、系统管理、模型训练与数据处理任务。
• 根据运行反馈定位错误并把环境推进到可验证的最终状态。

• 每项任务在隔离的容器化终端环境中运行，并使用统一的终端智能体运行器。
• 每项任务附带专用测试套件，模型不能直接改写最终判定规则。
• 每项运行 3 次；单次最多 100 个执行回合、7,200 秒和 100 万累计输入 Token。

• 模型读取任务说明，在终端中检查环境、执行命令、修改文件并验证中间结果。
• 运行在完成、达到回合上限或超时后结束，再执行该任务的验证测试。
• 对同一任务重复 3 次，并汇总三次首轮任务尝试的结果。

• 只有任务测试套件中的全部测试均通过时，该次运行才记为成功，否则记为失败。
• 每项采用 pass@1，最终分数为 44 项任务各 3 次运行结果的总体平均。

• 主指标为平均任务通过率百分比。
• 同时报告可见答案 Token 与可获得的推理 Token 用量。
• 按模型发布日期展示分数，辅助区分能力提升与发布时间差异。

• 固定快照与被排除任务限制了结果对完整任务库的代表性。
• 回合、超时和输入 Token 上限主要截断陷入循环的运行，但仍可能影响极长任务。
• 该历史 Hard 配置已经被更新版本替代，适合用于历史横向比较。