Epoch AI · 自律的なコンピューター作業（Terminal-Bench）

このランキングの読み方

測定する能力： ターミナル環境で複数のステップを経てタスクを完了するTerminal-Bench 2.0です。プログラムの使用、インストール・設定・デバッグなどのコマンドライン作業を扱います。

スコアの読み方： 採点テストを通過したタスクの割合（%）で、複数回の実行の平均として報告される場合もあります。Claude Code・Codex CLIなどのツールとモデルの組み合わせを評価します。

注意点： エージェントのツールや設定によってスコアが変わります。Epochのモデルごとの代表値は、最も高いスコアを出したモデルとエージェントの組み合わせなので、実行ツールも確認してください。

今回のランキングから読み取れること

• 最高スコアはGPT-5.5の84.7%です。
• 1位と5位の差は4.9%pです。
• 上位10モデルのうち、OpenAIのモデルが5モデルで最も多くなっています。
• この試験の結果が公開されているモデルは30件です。