腾讯论文：用递归自我改进训练终端智能体，Terminal-Bench 从 20.68% 升至 50.58%
腾讯发了篇终端智能体训练论文，五阶段交替微调加 PPO，Terminal-Bench 成绩直接翻倍多，奖励审计那段很值得细看。
#Terminal-Bench
共 42 条 · 7 天 7 条 · 30 天 28 条
信息流里打上「Terminal-Bench」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月18日
10月17日
DeepSeek V4.1-Flash-1017 发布：Terminal-Bench 超越 GPT 5.6 Sol，价格低约 17 倍
DeepSeek 新出的 V4.1-Flash-1017 在 Terminal-Bench 上跑赢了 GPT 5.6 Sol，价格只有十七分之一，靠 RL 训练编码 agent 环境，写代码的可以看看。
DeepSeek-V4.1-Flash-1017 发布：Terminal-Bench 4.0 从 31.2 升至 42.3
DeepSeek 这个所谓小更新在 Terminal-Bench 4.0 上直接涨了 11 分，还超过 Opus 5 和 GPT-5.6 Sol，权重又是 MIT 开源，写代码的可以试试。
10月15日
10月14日
Sonnet 5.5 登顶 Coding Agent Index，xhigh 档省 77% 成本
写代码跑 agent 的可以看看这份测试：Sonnet 5.5 开 max 档最强但贵 4 倍，xhigh 档 63 分只低 5 分，省钱首选。
10月13日
Meta 发布 Muse Wonder 与 Muse Wonder Full，智能指数升至 52 和 56
Meta 六周内又发了新模型，智能指数涨到 56，代理类任务进步明显，比 Claude 便宜但比 GPT-6 贵，做 agent 的可以看看。
10月9日
Artificial Analysis 智能指数 v5 将于 10 月下旬发布
Artificial Analysis 的模型榜单要更新了，v5 加入 Terminal-Bench Science 和私有数据集的编程测试，看榜单选模型的朋友可以蹲一下。
10月6日
研究提出 selective long-horizon refinement，提升终端智能体训练效率与可靠性
训练终端智能体的朋友看这篇：监督窗口选 12K 反而比 16K 好，还能省 30% 训练时间，作者给的选择性精调方法直接可用。
SelfSearch：智能体自改 harness，$4.03 达到 Codex 水平
DeepSeek V4 Flash 加自改 harness，花 4 美元搜索就在 Terminal-Bench 上追平 Codex，SWE-bench 还省了近四成开销，做智能体的都该看看。
10月5日
Microsoft 发布 ActiveSaddler：按未修复失败模式自动优化 agent harness
微软这篇论文讲怎么优化 agent 的 harness，核心是把预算花在还没修好的失败上。GAIA2 提了 4.4 个点，成本还降到四分之一，做 agent 自动调优的可以看看。
10月2日
10月1日
9月30日
9月29日
Claude Sonnet 5.5 发布，Terminal-Bench 4.0 得分提升至 70.6%
Anthropic 推出 Sonnet 5.5，价格不变但性能大增，成本降三成，速度提三成，特别适合编程和文档工作。
9月28日
SkillGym：用 2,756 个技能环境微调后，Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 提升 19.10 分
把技能文档变成 2756 个训练环境直接练进模型权重，微调后的 Qwen3.5-35B-A3B 在终端基准上超过了 Claude Sonnet 4.6，思路很新颖。
Synthetic Sciences 开源 OpenScience 智能体，科学基准超 Codex 和 Claude Code
一个开源科研智能体把 Codex 和 Claude Code 都比下去了，Apache 2.0 免费随便用，还能接自家模型。
9月27日
一张图对比 Opus 5.5 与 GPT 6 的 Benchmark 成绩
有人把 Opus 5.5 和 GPT 6 的跑分放在一张图里了，重点看 Terminal-Bench 4.0，GPT 在跨应用自动化那项表现很猛。
9月26日
Claude Code 团队成员详解 effort 档位怎么选
Claude Code 团队成员自己写的 effort 档位指南，有实测数据：同一道题 low 档只过 1 次、xhigh 全过，还教了一套 low 起手、high 收尾的开发流程。
Claude Code 的 Effort 参数使用指南：何时调高、何时调低
Claude Code 开发者用 Terminal-Bench 3.0 数据讲清了 effort 档位怎么选，还附了低档写代码、高档跑验证的工作流，写代码的人直接能用。
Zed 的 Delta 在 Terminal-Bench 上对标 Codex 与 Claude Code
Zed 家的 Delta 跑分追平甚至超过了 Codex 和 Claude Code，成本差不多，写代码的可以关注下这个新选择。
9月25日
Artificial Analysis 推出 Terminal-Bench-Science 0.1 智能体科研基准榜单
Stanford 联合 Terminal-Bench 团队搞了个科研智能体榜单，70 个真实科研任务里 GPT-6 Astra 拿 63% 排第一，开源模型才 10%，差距很直观。
9月24日
Salesforce 提出 RIVER：为终端智能体 RL 环境做质检筛选
Salesforce 这篇论文发现公开 RL 环境大多有奖励错误，还给出 RIVER 筛选方法，8B 模型跑分反超随机采样，做 RL 训练的都该看看。
9月23日
FIRE 运行时策略让 Agent 重复成功率最高提升 9.2 个百分点
一篇很实用的论文：不改模型、不改提示词，只在运行时注入失败 informed 的策略指令，GPT-5.6 跑 Terminal-Bench 的重复成功率就能涨近 10 个点，做 Agent 的可以看看。
Anthropic 发布 Claude Opus 5.5：追平 Fable 5.1，运行成本降 40%
Anthropic 新模型追平自家顶级模型，价格还砍了四成，缓存读取降到 0.2 美元，跑 Agent 的开发者直接受益，比 GPT-6 Astra 便宜一半以上。
9月22日
9月5日
9月4日
9月2日
8月18日
StateM 运行时实现 Terminal-Bench 2.1 95.3% 原始准确率
StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。
8月13日
DeepSeek-V4-Pro-0813 静默发布，87.9 分紧咬 Claude，价格低 57 倍
DeepSeek 新模型跑分只比 Claude Fable 5 低 0.1，价格却便宜 57 倍，Cline 用户现在就能用，高性价比首选。
8月7日
论文12:32
CalibForge：对抗性求解器校准用于生成可学习终端任务想给智能体造训练任务？CalibForge 让多个求解器互相挑毛病来调任务难度，比人工标靠谱，Terminal-Bench 上能涨二十多个点。
7月30日
Kimi K3 递归式自我改进实验：17 小时 Terminal-Bench 提升 11.3 个百分点
Cline 让 Kimi K3 自己优化自己，17 小时让基准从 77.5% 涨到 88.8%，成本还降了 37%，这波自举操作有点意思。
7月22日
7月10日
论文09:57
Proactive Memory Agent：长时任务的行为状态衰减干预方法长时任务里AI老忘事？这篇提出主动记忆智能体，随跑随记关键信息，在Terminal-Bench上提升8.3pp，比被动记忆好用多了。
7月2日
6月25日
