terminal-tasks

Grok 4.7在法律工作和终端任务方面显示出显著改进，在Harvey Legal Agent Benchmark和Terminal-Bench 4.0等基准测试中超越竞争对手，同时保持代币价格不变。

T1 是一个拥有122B参数的混合专家模型，通过强化学习训练用于长期终端任务，在Terminal-Bench 2.1等基准测试中达到了最先进的结果，并超越了GPT-5.4和GLM-5.1等模型。

FACET是一个框架，通过保留源意图和确保跨工件一致性，为AI代理训练合成高质量的终端任务，从而在Terminal-Bench 2.1上提升性能。

介绍了 Long-Horizon-Terminal-Bench，这是一个包含46个长时程终端任务的基准，采用密集奖励评分，评估AI智能体在规划、长上下文和调试方面的能力。即使是最强模型也仅达到15.2%的pass@1，显示仍有很大的改进空间。

Cohere 和 Cohere Labs 发布了 North Mini Code，这是一个开放权重的 30B-A3B 参数模型，针对代码生成、智能体软件工程和终端任务进行了优化，在 SWE-Bench 和 Terminal-Bench 上取得了强劲的基准测试结果。

Cohere Labs 发布了 North Mini Code，一个拥有 30B 参数（3B 活跃）的开放权重模型，针对代码生成、智能体软件工程和终端任务进行了优化，基于 Apache 2.0 许可。

本文介绍了TerminalWorld，这是一个基于80,870个终端记录构建的、用于在真实终端任务中评估AI智能体的基准。当前系统最高仅达到62.5%的通过率，凸显了真实终端工作流中的挑战。