Công bố điểm số Terminal Bench v4 so sánh năng lực thực thi dòng lệnh của các LLM

Một bài đăng từ cộng đồng đã chia sẻ kết quả đánh giá Terminal Bench v4 mới nhất nhằm kiểm tra khả năng thực thi lệnh terminal của nhiều mô hình LLM mã nguồn mở và đóng. GLM-5.3 giành vị trí dẫn đầu với 41.9%, tiếp theo là GLM-5.3-Flash với 32.8% và DSV4.1-Flash với 26.8%. Các bài kiểm tra khả năng thực thi dòng lệnh ngày càng được xem là thước đo tin cậy về năng lực thực tế của đại lý AI và khả năng hoàn thành công việc thực chiến. Kết quả này phản ánh sự tiến bộ nhanh chóng của các mô hình mở như dòng GLM trong lập trình và vận hành hệ thống. Trong khi GLM-5.3 áp đảo bảng xếp hạng, các mô hình kích thước nhỏ hơn lại gặp nhiều khó khăn với Qwen3.8-27B chỉ đạt 5.6% và gemma4-31b hoàn toàn không ghi được điểm nào. Ngoài ra, Kimi-K3 cũng có kết quả kém hơn so với quy mô của nó khi chỉ đạt 12.6%.