研究与基准测试/2026-10-06/7 分钟量化智能体编码评测中的基础设施噪声Anthropic 在 Terminal-Bench 2.0 上比较六档资源。严格限额的基础设施错误率 5.8%，三倍余量降到 2.1% 且分数仍在噪声内；完全不设上限则把成功率抬高 6 个百分点。
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。
