研究与基准测试/2026-09-30/6 分钟Terminal-Bench 2.1：89 道终端任务上的一次核对修订Artificial Analysis 介绍的 Terminal-Bench 2.1 仍是 89 道硬任务，但修了环境和指令，让分数反映 Agent 能力而不是环境缺口。评测用 Terminus 2，每题三次取 pass@1。
研究与基准测试/2026-07-09/9 分钟满分档平均只有 3.2%：腾讯混元参与的长程终端基准用子任务给部分分46 题、17 个模型。0.95 阈值上 Grok 4.5 为 28.3%（13/46），模型平均 6.4%；满分阈值平均 3.2%。782 次运行里 491 次有部分分。未解原因的分母却写成 660。
