@BenjaminDEKR：就这么结束了？GPT5.6 Sol Ultra 在 TerminalBench 上得分 91.9%，编程问题正在接近解决，就像算术一样……
摘要
GPT5.6 Sol Ultra 在 TerminalBench 编程基准测试中达到 91.9%，表明编程任务正在接近解决。
就这么结束了？GPT5.6 Sol Ultra 在 TerminalBench 上得分 91.9%
编程正在接近解决，就像算术一样。https://t.co/CphlDT0M4h
查看缓存全文
缓存时间: 2026/07/09 23:42
所以就这么结束了？GPT5.6 Sol Ultra 在 TerminalBench 上得分 91.9%
编程正在接近被攻克，就像算术一样。https://t.co/CphlDT0M4h
相似文章
@gdb：如今基准测试很快就会饱和
一条推文指出基准测试很快就会饱和，并以模型 GPT-5.6 Sol Pro 为例，该模型在 prinzbench 上获得了 91/99 的分数，还有两个问题未解决。
我让 Sol Max 对比了 Claude Opus 5 High 和 GPT 5.6 Sol Max 在 ARC-AGI-3 上某个特定谜题的输出，其中 Opus 5 的得分为 98.81%，而 GPT 5.6 Sol Max 的得分为 21.42%。
一项针对ARC-AGI-3谜题、比较Claude Opus 5 High与GPT 5.6 Sol Max的分析显示，Opus通过在可见输出中保留详细状态而获胜，而Sol则依赖被丢弃的隐藏推理。
在一个困难的新SWE基准测试ProgramBench上，GPT5.5 high/xhigh首次解决了任务，显著优于Opus 4.7
GPT5.5在困难的ProgramBench SWE基准测试中首次实现求解，显著优于Opus 4.7。
GPT-5.6 Sol 在无工具条件下以 pass@5 达到 ZeroBench 人类基线
据报道，GPT-5.6 Sol 在无工具条件下以 pass@5 达到 ZeroBench 人类基线，这意味着在基准测试中五次尝试中至少有一次成功。
@VictorKaiWang1：在 Terminal Bench 2.1 上达到 95.3%，DeepSeek V4 Flash + StateM，在 TB2.1 上为 88.8%
研究人员使用 DeepSeek V4 Flash 和 StateM 在 Terminal-Bench 2.1 上达到了 95.3% 的准确率，匹配了 GPT-5.6 Sol Max 的性能，并探索了超越模型扩展的智能体改进。