AIモデル比較

数値表

モデル・推論設定	解決率	費用／試行（USD）	時間
Claude Opus 5.5 (max)	65.8	14.2989	80分
Claude Sonnet 5.5 (max)	63.9	22.2232	124分
GPT-6.1 Sol (max)	60.9	1.9219	53分
GPT-6 Astra (max)	60.3	9.9005	47分
GPT-6 Astra (high)	60.0	6.8770	35分
GPT-6 Astra (xhigh)	59.7	7.1228	37分
Fable 5.1 (xhigh)	57.6	14.7638	53分
Fable 5.1 (max)	57.3	18.9197	65分
GPT-6 Astra (medium)	55.2	5.8024	31分
Fable 5.1 (high)	54.9	12.0769	50分
Fable 5.1 (medium)	53.9	8.5845	42分
Opus 5 (xhigh)	53.3	18.4431	75分
Opus 5 (max)	52.1	18.0882	80分
GPT-6 Astra (low)	50.9	4.7191	28分
GPT-6 Sol (max)	50.3	4.3979	44分
Opus 5 (high)	49.7	14.1281	64分
Opus 5 (medium)	45.2	9.6715	55分
Fable 5 (max)	44.9	22.0152	70分
Fable 5.1 (low)	43.3	7.1476	38分
GLM-5.3 (max)	41.2	8.2655	97分
Grok 4.7 (xhigh)	38.8	未収録	95分
GPT-5.6 Sol (max)	38.5	7.7021	40分
GLM-5.3-Flash (不明)	35.5	0.3598	103分
Opus 5 (low)	34.9	7.2542	49分
Opus 4.8 (max)	23.6	19.6402	86分
GPT-5.6 Terra (max)	21.5	5.2531	42分
Grok 4.6 (high)	19.7	10.8836	39分
Gemini 3.8 Flash (high)	18.2	5.5417	33分
GPT-5.6 Luna (max)	17.6	1.0505	68分
GPT-6 Luna (max)	15.2	0.2186	38分
Gemini 3.7 Flash (high)	12.4	3.8238	28分
Grok 4.5 (high)	12.4	6.3458	53分
Sonnet 5 (max)	12.1	29.1026	109分
GPT-6.1 Terra (max)	53.3	2.6498	2分
DeepSeek V4 Pro 0813 (max)	6.7	2.2031	2分

注目のAIモデル比較

Terminal-Benchは、AIエージェントがターミナルを使って作業を完了する能力を測るベンチマークです。4.1の解決率を0〜100%で示し、数値が高いほど多くの作業を完了できたことを表します。

Terminal-Bench 4.1で報告された、330試行の評価にかかった合計費用です。単位は米ドル（USD）で、数値が小さいほど低コストです。APIのトークン単価や月額料金とは異なります。

Terminal-Bench 4.1で、1試行を終えるまでにかかった平均時間です。単位は秒で、数値が小さいほど短時間で試行を終えています。応答を返し始めるまでの待ち時間とは異なります。