编程基准测试迎来4.0时代，评估体系全面升级

备受关注的AI代码能力基准测试Terminal-Bench近日发布了其4.0版本。这次更新并非简单的迭代，而是对核心评估机制进行了一次深度校准。项目团队重点调整了智能体（Agent）在执行任务时的资源消耗度量标准，包括时间、CPU和内存占用，旨在更真实地反映模型在实际开发环境中的表现。

更纯净的赛场：任务库与规则优化

为了提升榜单的公信力与参考价值，4.0版本对任务库进行了大幅清理。团队修复了19个存在评估偏差的任务，同时移除了8个因出现饱和现象、模型频繁拒答、存在公开解决方案或本身质量存疑的任务。所有测试任务的执行时间上限被统一设定为8小时，这一举措主要为了减少因超时或环境配置问题导致的意外失分，让模型的真实代码能力成为决定性因素。

最新榜单出炉，头部竞争格局生变

在新的评估体系下，最新一期排行榜结果已经公布，呈现出一些值得玩味的变化。

冠亚军稳固，季军易主

Opus5与ClaudeCode的组合以51.8%的得分率稳居第一，Fable5以44.5%的成绩位列第二，头部两强的地位依然稳固。真正的看点出现在第三名的争夺上。

GLM-5.3实现逆袭，成为最大黑马

GLM-5.3模型在适配ClaudeCode后，取得了41.8%的得分率，成功冲至榜单第三位。这一成绩使得它超越了由GPT-5.6Sol与Codex组合取得的37.3%得分率。尤为引人注目的是，在榜单前三甲中，GLM-5.3是唯一一个并非由Anthropic公司开发的模型，打破了该领域头部梯队原有的品牌格局。

从追赶者到超越者：GLM-5.3的进化之路

对比两个版本的榜单，可以清晰看到GLM-5.3的进步轨迹。在Terminal-Bench 3.0版本中，该模型的得分率为32.4%，当时排在第四位，落后于GPT-5.6Sol的34.6%。然而，在升级到4.0评估标准后，GLM-5.3不仅排名上升至第三，更实现了对GPT-5.6Sol的反超，领先优势达到4.5个百分点。这一跨越式的表现，显示出其在代码生成与理解能力上的实质性提升。

这次Terminal-Bench 4.0的发布与榜单更新，为开发者与研究者提供了评估AI编程助手能力的新标尺，也预示着大模型在代码领域的竞争将更加激烈和多元化。