据动察 Beating ตรวจสอบ พบว่า Terminal-Bench 3.0 อันดับล่าสุดมีการเปลี่ยนแชมป์ การทดสอบนี้ให้ AI Agent ทำงานในสภาพแวดล้อมเทอร์มินัลจริงให้สำเร็จ จากนั้นตรวจสอบผลลัพธ์โดยตรงว่าถูกต้องหรือไม่
สามอันดับแรกในปัจจุบัน ได้แก่:
1. Claude Opus 5 Max + mini-SWE-agent: 43.5%
2. GPT-5.6 Sol Max + Codex: 34.6%
3. Claude Fable 5 + Claude Code: 34.1%
Terminal-Bench 3.0 เปิดตัวเมื่อวันที่ 23 กรกฎาคม โดยมีจุดประสงค์เพื่อทำให้โจทย์ยากขึ้นอีกครั้ง คะแนนของโมเดล前沿รุ่นเก่าถูกบีบรวมกันอยู่แล้ว เวอร์ชันใหม่ต้องการสร้างช่องว่างให้เห็นอีกครั้ง เวอร์ชันแรกมีโจทย์ 74 ข้อ ครอบคลุม 7 สาขา และเพิ่มสภาพแวดล้อมที่ซับซ้อนมากขึ้น เช่น GPU เครือข่ายหลายคอนเทนเนอร์ งานไม่ได้จำกัดแค่การเขียนโค้ด แต่ยังอาจต้องส่งน้ำหนักโมเดล การพิสูจน์เชิงรูปแบบ สเปรดชีต และไฟล์ CAD
อย่างไรก็ตาม เรื่องนี้ไม่ควรตีความโดยตรงว่า Opus 5 เองแข็งแกร่งกว่า Sol เกือบ 9 เปอร์เซ็นต์ Terminal-Bench อนุญาตให้โมเดลทำงานร่วมกับ Agent ที่แตกต่างกัน สามอันดับแรกใช้ mini-SWE-agent, Codex และ Claude Code ตามลำดับ Agent จะกำหนดว่าโมเดลเรียกใช้เครื่องมือ ดำเนินคำสั่ง และจัดการบริบทอย่างไร ดังนั้นอันดับจึงวัดความสามารถของระบบ "โมเดล + Agent" ทั้งชุดได้แม่นยำกว่า
