ベンチマーク / Terminal-Bench Science 0.1

Terminal-Bench Science 0.1

科学・数学・高いほど良い

このベンチマークとは

データ解析・シミュレーション・モデルのフィッティングなど、科学研究のワークフローをコードとターミナルで遂行できるかを測る。

研究実務に近いエージェント評価。標準誤差が±3.5〜5ptと大きいため、近い値の優劣は断定できない。

＊＝開発元の自社発表。出典（表）ごとに分けています。同じ表の値どうしは同じ条件で比べられます。

Opus 5.5 は max effort（Terminal-Bench は xhigh）。本番セーフガード有効のため一部で不利。

比較表の他社モデル数値は OpenAI が掲載したもの。各社最大 effort の値。

2026年10月時点。比較表の他社数値は Google が掲載したもの。